KR102451660B1 - 다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선 - Google Patents

다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선 Download PDF

Info

Publication number
KR102451660B1
KR102451660B1 KR1020177010877A KR20177010877A KR102451660B1 KR 102451660 B1 KR102451660 B1 KR 102451660B1 KR 1020177010877 A KR1020177010877 A KR 1020177010877A KR 20177010877 A KR20177010877 A KR 20177010877A KR 102451660 B1 KR102451660 B1 KR 102451660B1
Authority
KR
South Korea
Prior art keywords
visual
gaze
input
visual elements
lexical
Prior art date
Application number
KR1020177010877A
Other languages
English (en)
Other versions
KR20170065563A (ko
Inventor
안나 프로코피에바
페디예 아슬리 셀리키일마즈
딜렉 지. 학카니-투르
래리 헥
말콤 슬라니
Original Assignee
마이크로소프트 테크놀로지 라이센싱, 엘엘씨
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 filed Critical 마이크로소프트 테크놀로지 라이센싱, 엘엘씨
Priority to KR1020227034256A priority Critical patent/KR102491846B1/ko
Publication of KR20170065563A publication Critical patent/KR20170065563A/ko
Application granted granted Critical
Publication of KR102451660B1 publication Critical patent/KR102451660B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
    • G02B27/0093—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00 with means for monitoring data relating to the user, e.g. head-tracking, eye-tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/012—Head tracking input arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/22—Interactive procedures; Man-machine interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/038—Indexing scheme relating to G06F3/038
    • G06F2203/0381—Multimodal input, i.e. interface arrangements enabling the user to issue commands by simultaneous use of input devices of different nature, e.g. voice plus gesture on digitizer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Position Input By Displaying (AREA)
  • Machine Translation (AREA)

Abstract

컴퓨터화된 대화 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 이해하고/하거나 해결하는 정확도를 향상시키는 기술이 설명되어 있다. 본 명세서에 설명된 기술은 제스처를 가진 시선 입력 및/또는 음성 입력을 활용하여, 컴퓨터화된 대화 시스템에서 음성 언어 이해를 향상시킨다. 시선 입력과 음성 입력을 활용하는 것은, 시스템이 시각적 컨텍스트에서 시각적 요소들에 관한 언급을 해결하거나 사용자의 의도를 해석할 수 있는 정확도를 향상시킴으로써, 대화 시스템에서 음성 언어 이해를 향상시킨다. 적어도 하나의 예에서, 본 명세서의 기술은 시선 입력을 생성하기 위하여 시선을 추적하고, 음성 입력을 인식하고, 사용자 입력으로부터 시선 특징들 및 어휘 특징들을 추출하는 것을 설명한다. 시선 입력들 및 어휘 특징들에 적어도 부분적으로 기초하여, 시각적 컨텍스트에서 시각적 요소들에 관한 사용자 발언이 해결될 수 있다.

Description

다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선 {EYE GLAZE FOR SPOKEN LANGUAGE UNDERSTANDING IN MULTI-MODAL CONVERSATIONAL INTERACTIONS}
사람들이 서로 대화할 때 그들은 음성, 제스처, 얼굴/머리 포즈 및 표정 등 상이한 모드의 정보를 자연스럽게 결합한다. 컴퓨터화된 장치가 확산됨에 따라 사람들은 컴퓨터화된 장치와 관련된 디스플레이와 상호 작용할 수 있는 기회가 더 많다. 음성 대화형 시스템(spoken dialog system) 또는 대화형 시스템(conversational system)은 인간 사용자들이 음성 및/또는 제스처와 같은 다양한 통신 모드에 의해 컴퓨팅 시스템과 통신할 수 있게 한다. 현재 대화형 시스템은 다양한 통신 모드를 기반으로 대화형 시스템과 상호 작용하는 사용자의 의도를 식별한다. 일부 예들에서, 대화형 시스템은 사용자의 발언(utterance)과 항목의 어휘 설명 및 스크린 상의 관련 텍스트 간의 유사성을 계산함으로써 사용자 발언에서 언급하는 표현(referring expressions in user utterances)을 해결한다. 다른 예들에서, 사용자의 발언은 사용자가 어떤 스크린상 객체(on-screen object)를 언급하고 있을 수 있는지에 관해 불분명하기 때문에, 사용자의 의도를 이해하는 데 스크린상의 객체 식별이 필요하다. 따라서, 현재의 기술은 음성 및 제스처와 같은 다중 모드 입력을 활용(leverage)하여 사용자가 스크린상에서 어떤 객체를 언급하는지를 결정한다.
대화형 컴퓨팅 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 이해하고 해결하기 위한 기술이 본 명세서에 설명되어 있다. 본 명세서의 기술은 시선을 검출하고, 음성을 인식하며, 사용자 입력(예를 들어, 시선, 음성 등)으로부터 추출된 시선 특징들 및 어휘 특징들에 적어도 부분적으로 기초하여 시각적 컨텍스트에서 시각적 요소들에 대한 사용자의 의도를 해석하는 것을 설명한다.
적어도 하나의 예에서, 본 명세서에 설명된 기술들은 웹 브라우저, 애플리케이션 인터페이스 또는 몇몇 다른 대화형 시스템과 같은 시각적 컨텍스트에서 사용자 상호 작용에 이용 가능한 시각적 요소들을 식별하는 것을 포함한다. 또한, 본 명세서에 설명된 기술들은 시각적 컨텍스트에서 하나 이상의 시각적 요소들과 관련된 사용자 입력을 수신하는 것을 포함한다. 적어도 하나의 예에서, 사용자 입력은, 음성 입력으로부터 도출된, 의도된 특정 시각적 요소를 언급하는 사용자 발언 및 시각적 요소들 중 적어도 일부와 관련된 사용자 시선 입력을 포함할 수 있다. 본 명세서에 설명된 기술들은 사용자 발언 및 시각적 요소들에 적어도 부분적으로 기초하여 어휘 특징들을 추출하고, 사용자 시선 입력 및 시각적 요소들에 적어도 부분적으로 기초하여 시선 특징들을 추출하는 것을 또한 포함한다. 더욱이, 본 명세서에 설명된 기술들은 어휘 특징들 및 시선 특징들에 적어도 부분적으로 기초하여 사용자 입력과 관련된 하나 이상의 시각적 요소들 중 특정 시각적 요소를 결정하는 것을 포함한다. 일부 예들에서, 특정 시각적 요소를 결정하는 것은 또한 히트 맵(heat map) 특징들에 적어도 부분적으로 기초할 수 있다.
이 요약은 상세한 설명에서 하기에서 더 설명되는 단순화된 형태로 개념들의 선택을 소개하기 위해 제공된다. 이 요약은 청구된 주제의 주요 특징 또는 필수 특징을 식별하기 위한 것이 아니며 청구된 주제의 범위를 제한하는 데 사용되는 의도도 아니다.
상세한 설명은 첨부된 도면을 언급하여 설명된다. 도면에서, 참조 번호의 가장 왼쪽 숫자는 참조 번호가 처음 나타나는 숫자를 식별한다. 상이한 도면에서 동일한 참조 번호는 유사하거나 동일한 항목들을 나타낸다.
도 1은 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결하기 위한 예시적인 환경을 도시한다.
도 2는 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결하기 위해 구현될 수 있는 다양한 장치 및 컴포넌트를 포함하는 동작 환경의 예를 도시한다.
도 3은 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결하기 위해 구현될 수 있는 동작 환경의 예를 도시한다.
도 4는 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결하기 위한 예시적인 프로세스를 도시한다.
도 5는 어휘 특징들 및 시선 특징들에 적어도 부분적으로 기초하여 사용자 발언에서 언급되는 특정 시각적 요소를 결정하기 위한 예시적인 프로세스를 도시한다.
도 6은 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 의도된 시각적 요소를 필터링하고 식별하기 위한 프로세스를 도시한다.
대화형 컴퓨팅 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 이해하고 해결하는데 있어서 정확성을 향상시키는 기술이 본 명세서에 설명되어 있다. 디스플레이상에 정보를 제시하는 컴퓨팅 시스템의 가용성 및 사용이 증가함에 따라, 사용자는 시각적 요소들과 관련된 작업을 수행하기 위하여 디스플레이 상의 시각적 요소들을 언급하며 시스템에게 말을 하는 기회를 점점 더 많이 얻는다. 사용자 시선을 추적하고, 제스처를 가진 사용자 시선 및/또는 음성 입력에 기초하여 시선 입력을 활용하는 것은, 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 시스템이 이해하고 해결할 수 있는 정확성을 향상시킴으로써 대화형 시스템에서의 음성 언어(spoken language) 이해를 향상시킬 수 있다.
본 명세서에서 기술된 기술들은 시선 입력을 음성 입력과 결합하여 사용자가 디스플레이상에서 언급하거나 다른 시각적 컨텍스트에서 제시되는 시각적 요소들을 보다 정확하게 식별한다. 적어도 하나의 예에서, 본 명세서에 설명된 기술들은 시선을 검출하고, 음성을 인식하고, 시선 및/또는 음성 입력과 관련된 특징들에 적어도 부분적으로 기초하여 시각적 컨텍스트에서 시각적 요소들에 대한 사용자의 의도를 해석한다. 시선 입력으로 음성 입력을 보완하는 다중 모드 통신은 사용자 발언이 의도된 목표 대상인 시각적 요소들을 식별할 때 오류율을 감소시킨다. 즉, 사용자가 보고 있고/있거나 집중하고 있는 것을 아는 것은 사용자 발언에서 언급하는 표현을 해결할 수 있는 정확성을 향상시킴으로써 음성 언어 이해를 향상시킬 수 있다. 음성 및 시선 입력을 결합하면 사용자가 대화형 컴퓨팅 시스템과 상호 작용하고 있을 때 사용자가 의미하고/의미하거나 언급하는 것을 확인하는 프로세스를 간소화할 수 있다.
예시적인 환경
아래에서 설명하는 환경은 하나의 예를 구성하며 아래에 설명된 시스템을 어떤 하나의 특정한 동작 환경에 적용하는 것을 제한하려는 의도가 아니다. 청구된 주제의 사상 및 범위를 벗어나지 않고 다른 환경들이 사용될 수 있다. 본 명세서에서 설명된 다양한 유형의 처리는 독립형 컴퓨팅 시스템, 네트워크 환경(예를 들어, LAN(local area network) 또는 WAN(wide area network), 피어-투- 피어 네트워크 환경, 분산 컴퓨팅(예를 들어, 클라우드 컴퓨팅) 환경 등을 포함하되 이에 국한되지 않는 여러 가지 환경에서 구현될 수 있다.
도 1은 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결하기 위한 예시적인 환경(100)을 도시한다. 환경(100)은 하나 이상의 사용자(들)(102)가 하나 이상의 사용자 장치(들)(104)를 통해 시각적 컨텍스트와 상호 작용하는 것을 포함한다. 시각적 컨텍스트는 사용자에게 정보를 제시하는 임의의 환경을 포함할 수 있고, 제시된 정보에서 사용자가 보는 것에 기초하여 동작(actions) 및/또는 선택에 관한 사용자 입력을 수신하도록 구성된다. 시각적 컨텍스트는 웹 브라우저, 대화형 상호 작용 시스템, 휴먼 로봇 및/또는 다른 휴먼/기계 상호 작용 시스템 등을 포함할 수 있다. 적어도 하나의 예에서, 웹 브라우저는 사용자가 임의의 웹 페이지를 브라우징할 수 있게 해주는 웹 브라우저(예를 들어, Internet Explorer®, Chrome®, Safari® 등)와 같은 자유로운 형태의 웹 브라우저일 수 있다. 대화형 상호 작용 시스템은 사용자 인터페이스를 통해 영화, 레스토랑, 시간 등을 나타내는 시각적 요소들을 사용자(102)에게 제시할 수 있는 애플리케이션일 수 있다.
하나 이상의 사용자 장치(들)(104)는 예를 들어 데스크탑 컴퓨터, 랩톱 컴퓨터, 스마트폰, 비디오 게임 콘솔, 텔레비전, 또는 도 2와 관련하여 이하에서 설명되는 임의의 사용자 장치(들)(104)를 포함할 수 있다. 하나 이상의 사용자 장치(들)(104)는 추적 컴포넌트(106), 및 적어도 일부 예에서 디스플레이(108)와 통신할 수 있다. 적어도 하나의 예에서, 추적 컴포넌트(106) 및/또는 디스플레이(108)는 하나 이상의 사용자 장치(들)(104) 내에 통합될 수 있다. 다른 예들에서, 추적 컴포넌트(106) 및/또는 디스플레이(108)는 하나 이상의 사용자 장치(들)(104)에 연결된 개별 장치일 수 있다. 도 1에서, 디스플레이(108)는 사용자 장치(104) 내에 통합되고, 추적 컴포넌트(106)는 사용자 장치(104)와는 독립적이다. 추적 컴포넌트(106)는 눈 시선, 머리 포즈, 몸 움직임 등을 추적하는데 사용될 수 있는 임의의 센서, 카메라, 장치, 시스템 등을 포함할 수 있다. 예를 들어, 추적 컴포넌트(106)는 Tobii Rex 눈 추적 시스템, Sentry 눈 추적 시스템, 마이크로소프트 Kinect® 기술 등을 포함할 수 있다.
적어도 하나의 예에서, 디스플레이(108)는 사용자 인터페이스를 나타낼 수 있고, 사용자 인터페이스는 전술한 바와 같이 웹 브라우저 또는 대화형 상호 작용 시스템과 같은 시각적 컨텍스트에서 사용자(102)에게 하나 이상의 시각적 요소를 제시할 수 있다. 시각적 요소들은 대화형 컴퓨팅 시스템에 의해 수행될 수 있는 브라우징, 검색, 필터링 등과 같은 작업 및/또는 동작과 관련된 텍스트, 객체 및/또는 항목을 포함할 수 있다. 시각적 요소들은 시각적 요소들과 관련된 작업 및/또는 동작을 수행하도록 대화형 컴퓨팅 시스템에 지시하는 사용자 상호 작용을 수신하기 위해 디스플레이(108)를 통해 사용자(102)에게 제공될 수 있다. 몇몇 예에서, 시각적 컨텍스트는 다양한 형태의 하이퍼링크, 버튼, 텍스트 박스 등을 포함하는 웹 브라우저를 포함할 수 있다. 하이퍼링크, 버튼, 텍스트 박스 등은 각각 상이한 시각적 요소를 나타낼 수 있다. 다른 예들에서, 시각적 컨텍스트는 애플리케이션 인터페이스와 같은 대화형 상호 작용 시스템을 포함할 수 있고, 시스템에 저장된 영화, 서적, 이미지, 레스토랑 등과 같은 항목 세트를 제시할 수 있다. 영화, 서적, 이미지, 레스토랑 등을 나타내는 텍스트 및/또는 이미지는 각각 상이한 시각적 요소를 나타낼 수 있다. 다른 예들에서, 시각적 컨텍스트는 휴먼 로봇 및/또는 다른 휴먼/기계 상호 작용 시스템을 포함할 수 있다. 이러한 예들에서, 디스플레이(108)는 시스템의 일부로서 포함될 수 없고, 시각적 요소들은 물리적인 서적, 비디오, 이미지 등을 포함할 수 있다. 시각적 요소들은 동적이고/동적이거나 상황에 따를 수 있고 시각적 컨텍스트 및 시각적 요소들과의 사용자(102) 상호 작용에 따라 바뀔 수 있다.
전술한 바와 같이, 하나 이상의 사용자 장치(들)(104)는 컴퓨터화된 대화형 시스템의 시각적인 컨텍스트와 관련될 수 있다. 하나 이상의 사용자(들)(102)는 시선, 음성, 제스처, 음성 운율, 얼굴 표정 등과 같은 다양한 통신 모드를 통해 시각적 컨텍스트와 상호 작용할 수 있다. 사용자 입력은 음성 입력(110), 시선 입력(112), 제스처 입력 등 중 하나 이상을 포함할 수 있다. 일부 예들에서, 적어도 2명의 사용자(들)(102)가 시각적 컨텍스트와 상호 작용할 수 있다. 음성 입력(110)을 검출 및/또는 수신하기 위해 하나 이상의 사용자 장치(들)(104)와 관련될 수 있는 마이크로폰 및 컴포넌트는 제1 사용자에 의해 말해진 사용자 음성 입력(110) 및 제2 사용자에 의해 말해진 음성 입력(110)의 차이를 검출할 수 있다. 음성 입력들(110) 간의 차이를 검출하는 것은 하나 이상의 사용자 장치(들)가 제1 사용자의 시선 입력(112)을 제1 사용자의 음성 입력(110)에 일치시키고, 제1 사용자의 입력들을 제2 사용자의 시선 입력(112) 및 제2 사용자의 음성 입력(110)과 구별할 수 있게 한다.
사용자 발언은 음성 입력(110)으로부터 표기된(transcribed) 입력을 포함할 수 있다. 일부 예들에서, 사용자 발언은 시각적 컨텍스트에서 하나 이상의 시각적 요소에 대한 언급을 포함할 수 있다. 사용자 발언에서 언급되는 하나 이상의 시각적 요소는 사용자(102)가 상응하는 동작 또는 작업을 수행하기 위해 상호 작용하거나 지시하려는 시각적 요소들을 나타낼 수 있다. 사용자(102)는 사용자 발언을 구성할 수 있는 어휘, 문법, 및/또는 의도의 선택에 대한 제약 없이 시각적 컨텍스트와 상호 작용할 수 있다. 일부 예들에서, 사용자 발언은 표기(transcription) 오류 및/또는 오류를 유발할 수 있는 특정 음성 패턴에 기초한 오류를 포함할 수 있다.
사용자 발언은 대화형 시스템이 시각적 컨텍스트에 제시된 시각적 요소들과 관련된 작업을 수행하도록 지시하는 명령을 포함할 수 있다. 사용자 발언은 스크롤, 디스플레이 상의 링크를 따라가는 것, 양식 내의 공란 채우기 등의 요청과 같은 사용자 동작 또는 사용자 선택을 실행하기 위한 명령을 포함할 수 있다. 일부 예들에서, 언급은 시각적 컨텍스트에서 사용자에게 제시되는 시각적 요소들과 독립적으로, 일반적인 요청을 포함할 수 있다. 예를 들어, 사용자(102)는 컴퓨터화된 대화형 시스템에 "근처에 있는 영화를 보여주세요(show me the movies)" 또는 "신발 가게에 데려가 주세요(take me to the shoes)"라고 요청할 수 있다. 다른 예들에서, 언급은 시각적 컨텍스트에서 사용자(102)에게 제시되는 시각적 요소를 언급하는 명령을 포함할 수 있다. 예를 들어, 사용자(102)는 워싱턴 주의 시애틀(SEA)에서 하와이섬의 마우이(OGG)까지 비행하기 위한 다수의 출발 항공 옵션을 볼 수 있으며, 구입할 항공편을 식별할 수 있다. 사용자(102)는 도 1의 음성 입력(110)에 도시된 바와 같이 "이 항공편을 내 장바구니에 추가해주세요(add this flight to my cart)"라는 단어들을 말할 수 있다. 사용자 발언은 전술한 바와 같이 음성 입력(110)으로부터 표기될 수 있다. 전술한 바와 같이, 사용자의 발언은 음성 입력(110)으로부터 표기될 수 있다.
"이 항공편을 내 장바구니에 추가해주세요"라는 사용자의 발언은 애매모호한데, 컴퓨터화된 대화형 시스템이 사용자(102)에게 제시된 다수의 항공편 중 어느 항공편을 사용자(102)가 언급하고 있는지 알지 못할 수 있기 때문이다. 컴퓨터화된 대화형 시스템은 사용자(102)가 발언하기 전, 발언하는 도중, 발언한 직후에, 어느 항공편을 보고 있는지를 고려함으로써, 사용자 발언에서 언급된 항공편을 더욱 쉽게 식별할 수 있다.
적어도 하나의 예에서, 사용자 발언은 전술한 바와 같은 오류를 포함할 수 있다. 일부 예들에서, 사용자 발언은 음성 입력(110)으로부터의 잘못된 표기를 포함할 수 있다. 사용자(102)는 "이 항공편을 내 장바구니에 추가해주세요(add this flight to my cart)"라는 단어들을 말했을지 모르지만, 표기된 사용자 발언은 "이 싸움을 내 장바구니에 추가해주세요(add this fight to my cart)"라는 단어들을 포함할 수 있다. 다른 예들에서, 사용자 발언은 표기 오류를 유발하는 특정 음성 패턴을 반영할 수 있다. 사용자(102)는 "오렌지(orange)"라는 단어를 발음하는 데 어려움을 겪을 수 있으며 캘리포니아 주 오렌지 카운티(Orange County)로의 항공권을 구입하기를 원할 수 있다. 사용자(102)는 "오렌지 카운티로의 항공편을 내 장바구니에 추가해주세요(add the flight to Orange County to my cart)"라는 단어들을 말하고 싶어할 수 있지만, 사용자(102)는 "오렌지(orange)"를 "온지(onge)"로 잘못 발음하기 때문에, 사용자 발언은 오류를 포함할 수 있다. 그러나, 표기 오류 또는 표기 오류를 유발하는 음성 패턴의 두 가지 예에서, 컴퓨터화된 대화형 시스템은 시선 입력(112)을 활용하여 오류가 있는 사용자 발언을 해결할 수 있다. 즉, 사용자(102)가 사용자 발언하기 전, 발언하는 도중 또는 발언한 직후에 사용자(102)가 어떤 항공편을 보고/보거나 어느 항공편에 그의 또는 그녀의 시선을 고정하는지 확인함으로써, 컴퓨터화된 대화형 시스템은 사용자(102)가 구입하기를 원하는 항공편을 식별할 수 있다.
시선은 음성 입력(110) 동안에 사용자의 눈이 향하고 있는 방향을 나타낼 수있다. 추적 컴포넌트(106)는 사용자 시선을 추적하여, 시선 입력(112)을 생성할 수 있다. 시선 입력(112)은 눈의 시선 입력, 머리 포즈 입력, 및/또는 코 포인팅(nose pointing) 입력을 포함할 수 있다. 머리 포즈 입력은 음성 입력(110) 동안 사용자의 머리가 포즈를 취하는 구성을 포함할 수 있다. 코 포인팅은 음성 입력(110) 동안 사용자의 코가 가리키는 방향을 포함할 수 있다. 머리 포즈 입력 및 코 포인팅 입력은 각각 눈 시선 입력에 대한 프록시(proxy)로서 작용할 수 있다. 대안적 및/또는 추가적 얼굴 방위 특성(예를 들어, 머리 포즈 및/또는 코 포인팅)이 추적 컴포넌트(106)의 범위에 따라 사용될 수 있다. 적어도 하나의 예에서, 추적 컴포넌트(106)는 사용자(102)의 얼굴로부터 미리 결정된 거리 내에 있을 수 있고, 이에 따라, 추적 컴포넌트(106)는 시선 입력(112)을 위해 사용자(102) 눈 입력을 추적할 수 있다. 대안적인 예에서, 추적 컴포넌트는 사용자(102)의 얼굴로부터 미리 결정된 거리를 벗어날 수 있고, 결과적으로 추적 컴포넌트(106)는 사용자(102) 시선에 대한 프록시로서 머리 포즈 또는 코 포인팅을 추적할 수 있다.
추적 컴포넌트(106)는 사용자(102)에 대한 시선 입력(112)을 생성하기 위해 사용자(102)의 눈의 움직임을 추적할 수 있다. 컴퓨터화된 대화형 시스템은 음성 입력(110) 및 시선 입력(112)으로부터 유도된 사용자 발언에 적어도 부분적으로 기초하여, 사용자(102)가 음성 입력(110)에서 어느 시각적 요소와 상호작용할 의도였는지 식별할 수 있다. 음성 입력(110)과 시선 입력(112)의 조합을 활용함으로써, 컴퓨터화된 대화형 시스템이 음성 입력(110)에서 언급된 의도된 시각적 요소를 식별할 수 있는 정확도를 향상시킬 수 있다.
도 2는 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결하기 위해 구현될 수 있는 다양한 장치 및 컴포넌트를 포함하는 동작 환경(200)의 일례를 도시한다. 적어도 하나의 예에서, 본 명세서에 설명된 기술들은 (예를 들어, 서버, 클라우드 등에 의해) 원격으로 수행될 수 있다. 일부 예들에서, 본 명세서에 설명된 기술들은 이하에서 설명되는 바와 같이 컴퓨팅 장치상에서 국부적으로 수행될 수 있다. 보다 구체적으로, 예시적인 동작 환경(200)은 도 1에 도시된 바와 같이, 서비스 제공자(202), 하나 이상의 네트워크(들)(204), 하나 이상의 사용자(들)(102), 및 하나 이상의 사용자(102)와 관련된 하나 이상의 사용자 장치(들)(104)를 포함할 수 있다.
도시된 바와 같이, 서비스 제공자(202)는 하나 이상의 서버(들) 및 다른 기계들(206) 및/또는 하나 이상의 처리 장치(들)(104)를 포함할 수 있고, 이 중 어느 것이라도 하나 이상의 처리 장치(들)(208) 및 컴퓨터 판독 가능 매체(210)를 포함할 수 있다. 다양한 예들에서, 서비스 제공자(202)는 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결하는데 있어서 오류율을 감소시킬 수 있다.
일부 예들에서, 네트워크(들)(204)는 인터넷과 같은 당업계에 공지된 임의의 유형의 네트워크일 수 있다. 또한, 하나 이상의 사용자 장치(들)(104)는 글로벌 또는 로컬 유선 또는 무선 접속(예를 들어, LAN(local area network), 인트라넷 등)에 의한 것과 같은 임의의 방식으로 네트워크(들)(204)에 통신 가능하게 연결될 수 있다. 네트워크(들)(204)는 서버(들) 및 다른 기계들(206) 및/또는 하나 이상의 사용자(들)(102)와 관련된 하나 이상의 사용자 장치(들)(104) 간의 통신을 용이하게 할 수 있다.
일부 예들에서, 하나 이상의 사용자(들)(102)는 하나 이상의 사용자 장치(들)(104)와 관련된 다양한 기능을 수행하기 위하여 대응 사용자 장치(들)(104)와 상호 작용할 수 있으며, 사용자 장치는 하나 이상의 처리 장치(들)(208), 컴퓨터 판독 가능 매체(210), 추적 컴포넌트(106) 및 디스플레이(108)를 포함할 수 있다.
하나 이상의 사용자 장치(들)(104)는 다양한 종류의 장치 유형을 나타낼 수 있으며 임의의 특정 유형의 장치에 제한되지 않는다. 사용자 장치(들)(104)의 예는 고정식(stationary) 컴퓨터, 모바일 컴퓨터, 내장된 컴퓨터, 또는 이들의 조합을 포함할 수 있지만, 이에 한정되는 것은 아니다. 예시적인 고정식 컴퓨터는 데스크탑 컴퓨터, 워크 스테이션, 개인용 컴퓨터, 씬(thin) 클라이언트, 단말기, 게임 콘솔, PVR(personal video recorder), 셋톱 박스 등을 포함할 수 있다. 예시적인 모바일 컴퓨터는 랩탑 컴퓨터, 태블릿 컴퓨터, 웨어러블 컴퓨터, 이식형(implanted) 컴퓨팅 장치, 원격 통신 장치, 자동차 컴퓨터, PDA(personal data assistant), 휴대용 게임 장치, 미디어 플레이어, 카메라 등을 포함할 수 있다. 예시적인 내장형 컴퓨터는 네트워크 가능 텔레비전, 컴퓨팅 장치, 가전 제품, 마이크로 컨트롤러, 디지털 신호 프로세서 또는 임의의 다른 종류의 처리 장치에 포함시키기 위한 통합 컴포넌트 등을 포함할 수 있다.
서비스 제공자(202)는 온라인 통신 플랫폼을 포함하는 통신 플랫폼으로부터의 특징들의 세트를 활용(leverage)할 수 있는 임의의 엔티티, 서버(들), 플랫폼 등일 수 있다. 또한, 도시된 바와 같이, 서비스 제공자(202)는 하나 이상의 처리 장치(들)(208) 및 메모리와 같은 컴퓨터 판독 가능 매체(210)를 포함할 수 있는 하나 이상의 서버(들) 및/또는 다른 기계들(206)을 포함할 수 있다. 하나 이상의 서버(들) 및/또는 다른 기계들(206)은 이하에서 설명되는 바와 같이 장치들을 포함할 수 있다.
예들은 하나 이상의 서버(들) 및/또는 다른 기계들(206)에 포함될 수 있는 장치(들)가 자원을 공유하거나, 부하를 밸런싱하거나, 성능을 증가시키거나, 시스템 대체 작동(fail-over) 지원 또는 리던던시를 제공하거나, 또는 다른 목적을 위한 클러스터 또는 다른 그룹화된 구성에서 동작하는 하나 이상의 컴퓨팅 장치를 포함할 수 있는 시나리오들을 지원한다. 하나 이상의 서버(들) 및/또는 다른 기계들(206)에 포함된 장치(들)는 전통적인 서버 유형 장치, 데스크탑 컴퓨터 유형 장치, 모바일 장치, 특수 목적 유형 장치, 내장형 장치 및/또는 웨어러블 유형 장치와 같은 다양한 카테고리 또는 클래스의 장치들에 속할 수 있다. 따라서, 데스크탑 컴퓨터로서 도시되었지만, 장치(들)는 다양한 종류의 장치 유형을 포함할 수 있고 특정 유형의 장치로 제한되지 않는다. 하나 이상의 서버(들) 및/또는 다른 기계들(206)에 포함된 장치(들)는 데스크탑 컴퓨터, 서버 컴퓨터, 웹 서버 컴퓨터, 개인용 컴퓨터, 모바일 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 웨어러블 컴퓨터, 이식형 컴퓨팅 장치, 원격 통신 장치, 자동차 컴퓨터, 네트워크 가능 텔레비젼, 씬 클라이언트, 단말기, PDA, 게임 콘솔, 게임 장치, 워크 스테이션, 미디어 플레이어, PVR, 셋톱 박스, 카메라, 컴퓨팅 장치, 가전 제품 또는 임의의 다른 종류의 컴퓨팅 장치에 포함시키기 위한 통합 컴포넌트를 나타낼 수 있지만, 이에 한정되는 것은 아니다.
하나 이상의 서버(들) 및/또는 다른 기계들(206)에 포함될 수 있는 장치(들)는, 예를 들어, 버스를 통하여 컴퓨터 판독 가능 매체(210)에 동작 가능하게 연결된 하나 이상의 처리 장치(들)(208)를 구비한 임의의 유형의 컴퓨팅 장치를 포함할 수 있는데, 어떤 경우에 버스는 시스템 버스, 데이터 버스, 어드레스 버스, PCI 버스, 미니-PCI 버스 및 임의의 다양한 로컬, 주변 장치 및/또는 독립 버스 중 하나 이상을 포함할 수 있다. 컴퓨터 판독 가능 매체(210) 상에 저장된 실행 가능한 명령어들은, 예를 들어 디스플레이 모듈(212), 수신 모듈(214), 추출 모듈(216), 분석 모듈(218) 및 처리 장치(들)(208)에 의해 로드되고 실행될 수 있는 임의의 다른 모듈, 프로그램 또는 애플리케이션을 포함할 수 있다. 대안적으로, 또는 부가적으로, 여기에 설명된 기능은 가속 장치(accelerator)와 같은 하나 이상의 하드웨어 로직 컴포넌트에 의해 적어도 부분적으로 수행될 수 있다. 예를 들어, 제한 없이, 사용될 수 있는 예시적 유형의 하드웨어 로직 컴포넌트는 FPGA(Field-Programmable Gate Array), ASIC(Application-Specific Integrated Circuit), ASSP(Application-Specific Standard Product), SOC(System-on-a-chip system), CPLD(Complex Programmable Logic Device) 등을 포함한다. 예를 들어 가속 장치는 FPGA 패브릭에 내장된 CPU 코스를 포함하는 ZYLEX 또는 ALTERA 제품과 같은 하이브리드 장치를 나타낼 수 있다.
하나 이상의 서버(들) 및/또는 다른 기계들(206)에 포함될 수 있는 장치(들)는 장치(들)가 사용자 입력 주변 장치들(예컨대, 키보드, 마우스, 펜, 게임 컨트롤러, 음성 입력 장치, 터치 입력 장치, 제스처 입력 장치, 눈 및/또는 신체 추적 장치 등) 및/또는 출력 주변 장치들(예컨대, 디스플레이, 프린터, 오디오 스피커, 햅틱 출력 등)과 같은 다른 장치들과 통신할 수 있도록 하기 위하여, 버스에 결합된 하나 이상의 입출력(I/O) 인터페이스(들)를 더 포함할 수 있다. 하나 이상의 입력/출력(I/O) 인터페이스(들)는 사용자 장치(들)(104)로 하여금 추적 컴포넌트(106) 및/또는 디스플레이(108)와 통신할 수 있게 해 준다. 하나 이상의 서버(들) 및/또는 다른 기계들(206)에 포함될 수 있는 장치들은 컴퓨팅 장치와 하나 이상의 사용자 장치(들)(104)와 같은 다른 네트워크된 장치들 간의 통신을 가능하게 하기 위하여, 버스에 결합된 하나 이상의 네트워크 인터페이스를 또한 포함할 수 있다. 이러한 네트워크 인터페이스(들)는 네트워크를 통하여 통신을 송신하고 수신하기 위하여, 하나 이상의 네트워크 인터페이스 컨트롤러(network interface controller, NIC) 또는 다른 유형의 트랜스시버 장치들을 포함할 수 있다. 단순화를 위해, 일부 컴포넌트들은 도시된 장치에서 생략되어 있다.
사용자 장치(들)(104)는 사용자 장치(들)(104)가 사용자 입력 주변 장치들(예를 들어, 키보드, 마우스, 펜, 게임 컨트롤러, 음성 입력 장치, 터치 입력 장치, 제스처 입력 장치, 눈 및/또는 신체 추적 장치 등) 및/또는 출력 주변 장치들(예를 들어, 디스플레이, 프린터, 오디오 스피커, 햅틱 출력 등)과 같은 다른 장치들과 통신할 수 있게 하기 위하여 버스에 연결된 하나 이상의 입력/출력(I/O) 인터페이스(들)를 더 포함할 수 있다. 하나 이상의 입력/출력(I/O) 인터페이스(들)는 사용자 장치(104)가 추적 컴포넌트(106) 및/또는 디스플레이(108)와 통신하도록 허용할 수 있다.
처리 장치(들)(208)는 예를 들어, 중앙 처리 장치(central processing unit, CPU) 유형의 처리 장치, GPU 유형의 처리 장치, FPGA(Field-Programmable Gate Array), 다른 클래스의 DSP(digital signal processor), 또는 어떤 경우에 CPU에 의해 구동될 수 있는 다른 하드웨어 로직 컴포넌트들을 나타낼 수 있다. 예를 들어, 사용될 수 있는 예시적인 유형의 하드웨어 로직 컴포넌트들은 ASIC(Application-Specific Integrated Circuit), ASSP(Application-Specific Standard Product), SOC(System-on-a Chip) 시스템, CPLD(Complex Programmable Logic Device) 등을 포함하는데, 제한은 없다. 다양한 예들에서 처리 장치(들)(208)는 하나 이상의 사용자 장치(들)(104)가, 전술한 그리고 아래 개시에서 좀 더 상세히 설명되는 다양한 기능을 수행하도록 하기 위하여, 하나 이상의 모듈 및/또는 프로세스를 실행할 수 있다. 또한, 처리 장치(들)(208) 각각은 프로그램 모듈, 프로그램 데이터, 및/또는 하나 이상의 운영 체제를 저장할 수 있는 자체 로컬 메모리를 소유할 수 있다.
적어도 하나의 예에서, 하나 이상의 사용자 장치(들)(104) 내의 컴퓨터 판독 가능 매체(210)는 사용자 장치(들)(104)와 사용자(들)(102) 간의 상호 작용을 용이하게 하는 컴포넌트들을 포함할 수 있다. 예를 들어, 컴퓨터 판독 가능 매체(210)는 적어도 컴퓨터 판독 가능 명령어들로서 구현될 수 있는 디스플레이 모듈(212), 수신 모듈(214), 추출 모듈(216), 및 분석 모듈(208), 및 다양한 데이터 구조 등을 포함하고, 적어도 하나의 처리 장치(들)(208)를 통하여 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결할 때 오류율을 줄이도록 장치를 구성할 수 있다.
적어도 하나의 예에서, 디스플레이 모듈(212)은 디스플레이(108)와 통신하여, 시각적 요소들(예를 들어, 텍스트, 객체, 항목 등)이 디스플레이(108) 상에 표시되도록 구성될 수 있다. 전술한 바와 같이, 디스플레이(108)는 사용자 인터페이스를 나타낼 수 있고, 디스플레이 모듈(212)은 웹 브라우저 또는 대화형 상호 작용 시스템과 관련된 사용자 인터페이스에서 하나 이상의 시각적 요소를 사용자(102)에게 제시하도록 디스플레이와 통신할 수 있다. 시각적 요소들은 대화형 컴퓨팅 시스템에 의해 수행될 수 있는 브라우징, 검색, 필터링 등과 같은 작업 및/또는 동작과 관련된 텍스트, 객체 및/또는 항목을 포함할 수 있다. 디스플레이 모듈(212)은 전술한 바와 같이 시각적 요소들과 관련된 작업 및/또는 동작을 수행하도록 대화형 컴퓨팅 시스템에게 지시하는 사용자 상호 작용을 수신하기 위해, 디스플레이(108)를 통해 사용자(102)에게 시각적 요소들을 제시할 수 있다.
적어도 하나의 예에서, 수신 모듈(214)은 음성 입력(110), 제스처, 시선 입력(112), 몸의 위치(body positioning) 등과 같은 입력을 하나 이상의 사용자(들)(102)로부터 수신하도록 구성될 수 있다. 또한, 수신 모듈(214)은 음성 입력(110)을 추출 모듈(216)에 의한 처리를 위해 사용자 발언으로 표기하도록 구성될 수 있다. 추출 모듈(216)은 시각적 컨텍스트에서 사용자 입력 및 시각적 요소들에 적어도 부분적으로 기초하여 특징들을 추출하도록 구성될 수 있다. 예를 들어, 추출 모듈(216)은 어휘 유사성 특징, 음성 일치 특징, 시선 특징 및/또는 히트 맵 특징을 추출할 수 있다. 추출 모듈(216) 및 특징들에 관한 부가적인 세부 사항은 아래에서 설명된다. 분석 모듈(218)은 후술되는 바와 같이, 추출된 특징들에 적어도 부분적으로 기초하여 시각적 컨텍스트에서 시각적 요소들에 대한 언급들을 해결하도록 구성될 수 있다.
사용자 장치(들)(104) 및/또는 서버들 및/또는 다른 기계들(206)의 정확한 구성 및 유형에 따라, 컴퓨터 판독 가능 매체(210)는 컴퓨터 저장 매체 및/또는 통신 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독 가능 명령어들, 데이터 구조들, 프로그램 모듈들 또는 다른 데이터와 같은 정보의 저장을 위하여 임의의 방법 또는 기술로 구현되는, 휘발성 메모리, 비휘발성 메모리, 및/또는 다른 영구적인 및/또는 보조 컴퓨터 저장 매체, 착탈식 및 비착탈식 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 메모리는 컴퓨터 저장 매체의 예이다. 따라서, 컴퓨터 저장 매체는 장치의 일부 또는 장치 외부에 있는 장치 및/또는 하드웨어 컴포넌트에 포함된 유형의(tangible) 및/또는 물리적 형태의 매체를 포함하며, RAM(random-access memory), SRAM(static random-access memory), DRAM(dynamic random-access memory), PRAM(phase change memory), ROM(read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable programmable read-only memory), 플래시 메모리, CD-ROM(compact disc read-only memory), DVD(digital versatile disk), 광학 카드 또는 기타 광학 저장 매체, 소형 하드 드라이브, 메모리 카드, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치, 자기 카드 또는 다른 자기 저장 장치 또는 매체, 솔리드 스테이트 메모리 장치(solid-state memory devices), 저장 장치 어레이, 네트워크 부착 저장 장치, 저장 영역 네트워크, 호스트 컴퓨터 저장 장치 또는 임의의 다른 저장 장치 메모리, 저장 장치, 및/또는 컴퓨팅 장치에 의해 액세스하기 위한 정보를 저장하고 유지하는데 사용될 수 있는 저장 매체를 포함하나, 이에 한정되는 것은 아니다.
대조적으로, 통신 매체는 컴퓨터 판독 가능 명령어들, 데이터 구조들, 프로그램 모듈들, 또는 반송파와 같은 변조된 데이터 신호로 된 다른 데이터 또는 다른 전송 메카니즘을 구현할 수 있다. 여기에 정의된 바와 같이, 컴퓨터 저장 매체는 통신 매체를 포함하지 않는다.
도 3은 시각적 컨텍스트에서 시각적 요소들에 대한 언급을 해결하기 위해 구현될 수 있는 예시적인 동작 환경(300)을 도시한다. 적어도 하나의 예에서, 동작 환경(300)은 자유형 웹 브라우징 시각적 컨텍스트, 애플리케이션 인터페이스 등에서 사용자들이 비행기 티켓 구매, 레스토랑 찾기, 온라인 쇼핑 등과 같은 공통 작업들을 수행하게 할 수 있다. 후술하는 바와 같이, 예시적인 동작 환경(300)은 수신 모듈(214), 추출 모듈(216) 및 분석 모듈(218)을 활용하여, 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 시각적 요소들을 식별하는데 음성 언어 이해가 사용될 수 있는 정확도를 향상시킨다. 디스플레이 모듈(212)은 도 3에 도시되지 않았다.
전술한 바와 같이, 수신 모듈(214)은 음성 입력(302)(예를 들어, 음성 입력(110)), 제스처, 시선 입력(304)(예를 들어, 시선 입력(112)), 몸의 위치 등과 같은 입력을 하나 이상의 사용자(들)(102)로부터 수신하도록 구성될 수 있다. 수신 모듈(214)은 음성 입력(302)을 수신하도록 구성된 사용자 장치(104)와 관련된 마이크로폰 또는 다른 장치를 통해 음성 입력(302)을 수신할 수 있다. 적어도 하나의 예에서, 음성 입력(302)은 사용자 장치(104)의 디스플레이(108)상의 시각적 요소에 대한 언급을 포함할 수 있다. 언급은 웹 페이지 상의 항목을 명시적으로 식별(예를 들어, 직접 언급)할 수 있거나, 언급은 웹 페이지 상의 항목을 암시적으로 식별(예를 들어, 간접 언급)할 수 있다. 예를 들어, 음성 입력(302)은 음성 입력(302)에서 링크, 항목, 영화 등의 전체 또는 부분 텍스트를 포함함으로써 링크, 항목, 영화 등을 직접 언급할 수 있다. 다른 예들에서, 음성 입력(302)은 "나에게 빨간 신발을 보여 주세요(show me the red shoes)", "나는 저것을 사고 싶습니다(I want to buy that one)", 또는 "최고가 좋아 보입니다(the top flight looks good)"와 같은 암시적 언급을 포함할 수 있다. 음성 입력(302)은 음성 입력을 구성할 수 있는 어휘, 문법 및/또는 의도 선택에 대한 제약에서 벗어날 수 있다. 수신 모듈(214)은 음성 입력(302)을 표기함으로써 사용자 발언을 생성하도록 구성될 수 있다. 사용자 발언은 처리를 위해 추출 모듈(216)로 전송될 수 있다.
또한, 수신 모듈(214)은 추적 컴포넌트(106)를 통해 시선 입력(304)을 수신할 수 있다. 적어도 하나의 예에서, 추적 컴포넌트(106)는 사용자(102)의 눈 시선 고정(fixation)을 추적한다. 일부 실시 예들에서, 추적 컴포넌트(106)는 전술한 바와 같이, 사용자(102)의 머리 포즈 및/또는 사용자의 코가 가리키는 방향을 시선 고정을 위한 프록시로서 추적할 수 있다. 추적 컴포넌트(106)는 수신 모듈(214)에 시선 입력(304)을 제공할 수 있다.
수신 모듈(214)은 입력 데이터(306)를 추출 모듈(216)에 출력할 수 있다. 입력 데이터(306)는 사용자 발언, 시선 입력(304) 및/또는 다른 형태의 사용자(102) 입력으로 표기되는 음성 입력(302)을 포함할 수 있다. 추출 모듈(216)은 입력 데이터(306)에 적어도 부분적으로 기초하여 특징들을 추출하도록 구성될 수 있다. 추출 모듈(216)은 어휘 특징들, 시선 특징들, 히트 맵 특징들 등을 추출할 수 있다.
추출 모듈(216)은 하나 이상의 어휘 특징을 추출할 수 있다. 어휘적 유사성은 단어들 및 관련 의미를 사용하여 두 개 이상의 단어 세트에 있는 단어들 사이의 유사성을 결정하는 프로세스를 설명한다. 어휘 특징들은 시각적 컨텍스트에서 하나 이상의 시각적 요소와 관련된 텍스트를 구성하는 단어들과 음성 입력(302)의 단어들 사이의 어휘적 유사성을 결정할 수 있다. 추출 모듈(216)은 자동 음성 인식(automatic speech recognition, "ASR") 모델 및/또는 일반 언어 모델을 활용하여 어휘 특징들을 계산할 수 있다. 추출 모듈(216)은 시각적 항목의 시각적 컨텍스트에 따라 다양한 모델 및/또는 기술을 활용할 수 있다. 예를 들어, 시각적 컨텍스트가 웹 브라우저를 포함하는 경우, 추출 모듈(216)은 파서(parser)를 활용하여 디스플레이(108)상의 시각적 요소들과 관련된 링크들을 파싱할 수 있다.
어휘 특징들의 비한정적인 예는 시각적 컨텍스트에서 하나 이상의 시각적 요소와 관련된 텍스트의 용어 벡터와 음성 입력(302) 사이의 코사인 유사성(cosine similarity), 시각적 컨텍스트에서 하나 이상의 시각적 요소와 관련된 텍스트와 음성 입력(302)의 가장 긴 공통 서브 시퀀스의 문자(characters) 수, 및/또는 시각적 컨텍스트에서 하나 이상의 시각적 요소와 관련된 텍스트가 음성 입력(302)에 포함되었는지 여부를 나타내는 이진(binary) 특징을 포함하고, 만일 포함되었다면, 시각적 컨텍스트에서 하나 이상의 시각적 요소와 관련된 텍스트의 길이를 포함한다. 어휘 특징들은 어구(phrase), 단어 및/또는 문자 레벨에서 계산할 수 있다.
추출 모듈(216)은 또한 하나 이상의 시선 특징들을 추출할 수 있다. 시선 특징들은 시각적 요소들과 시선 입력(304)의 고정 지점들 사이의 거리를 다양한 시간에 나타낼 수 있다. 시선 특징들은 시간 기반의 시선 특징들 및/또는 거리 기반의 시선 특징들이 될 수 있다. 거리 기반 특징들 및 시간 기반 특징들은 함께 사용될 수 있다.
시선 특징들을 결정하기 위해, 추출 모듈(216)은 텍스트 및/또는 링크와 관련된 화상(예를 들어, 웹 브라우저 시각적 컨텍스트에서) 및/또는 항목(예를 들어, 대화형 시스템 시각적 컨텍스트에서)을 식별할 수 있고, 텍스트 및/또는 이미지와 관련된 영역 또는 주변 거리를 계산할 수 있다. 텍스트 및/또는 이미지와 관련된 계산된 거리 또는 영역은 경계 박스(bounding box)를 나타낼 수 있으며 시선 특징 추출에 사용될 수 있다. 시선 특징들은 경계 박스의 크기 및/또는 사용자(102)의 시선이 경계 박스에서 또는 주변에서 얼마나 자주 고정되는지를 나타내는 빈도를 고려할 수 있다.
추출 모듈(216)은 사용자(102)의 시선이 시각적 컨텍스트에서 어디에 머무는지를 나타내는 고정 지점들을 식별할 수 있다. 추출 모듈(216)은 시선 입력 데이터(306)로부터 개별 고정 지점들을 식별하기 위하여 모델을 활용할 수 있다. 적어도 하나의 예에서, 추출 모듈(216)은 시선 입력 데이터(306)로부터 고정 지점들을 식별하기 위하여, 속도-임계치 식별 알고리즘, 은닉 마르코프 모델 고정 식별(hidden Markov model fixation identification) 알고리즘, 분산-임계치 식별 알고리즘, 최소 스패닝 트리 식별 알고리즘, 관심 영역 식별 알고리즘 및/또는 속도 기반, 분산 기반 및/또는 영역 기반 알고리즘과 같은 모델을 활용할 수 있다. 고정 지점들은 클러스터들로 그룹화될 수 있으며 클러스터들은 개별 시선 위치를 식별하는 데 사용될 수 있다. 클러스터는 미리 결정된 거리(예를 들어, 40 픽셀 미만 등) 내에 위치한 2 이상의 개별 고정 지점에 의해 정의될 수 있다. 고정 지점 클러스터의 중심은 아래에 설명된 시선 특징 추출에 사용할 수 있다.
시선 기능들은 전술한 바와 같이 다양한 시간에 고정 지점들의 하나 이상의 클러스터의 경계 박스와 중심 고정 지점 사이의 거리들을 나타낼 수 있다. 시선 특징들의 비한정적인 예는, 아래 중 하나 이상을 포함할 수 있다:
● 음성 입력(302)의 시작에서 중심 고정 지점으로부터 경계 박스까지의 거리;
● 음성 입력(302)의 끝에서 중심 고정 지점으로부터 경계 박스까지의 거리;
● 음성 입력(302)의 시작과 음성 입력(302)의 끝 사이의 시간 동안 중심 고정 지점으로부터 경계 박스까지의 거리;
● 음성 입력(302)이 시작되기 전에 미리 결정된 시간 윈도우(예를 들어, 1 초, 2 초 등) 동안 중심 고정 지점으로부터 경계 박스까지의 거리;
● 음성 입력(302)이 시작되기 전 미리 결정된 시간 간격(예 : 1 초, 2 초, 3 초 등)에서 경계 박스가 중심 고정 지점의 미리 결정된 반경(예 : 1cm, 3cm 등) 내에 있었는지 여부;
● 음성 입력(302)이 수신된 시점에서 경계 박스가 중심 고정 지점의 미리 결정된 반경(예 : 1cm, 3cm 등) 내에 있었는지 여부;
● 경계 박스의 크기;
● 음성 입력(302) 동안 사용자(102)가 경계 박스를 얼마나 자주 보았는가;
● 음성 입력(302) 동안 사용자(102)가 경계 박스를 본 총 시간 길이;
● 음성 입력(302) 동안 경계 박스가 중심 고정 지점의 미리 결정된 반경(예를 들어, 1cm, 3cm 등) 내에 있었던 빈도; 및/또는
● 음성 입력(302) 동안 경계 박스가 중심 고정 지점의 미리 결정된 반경(예를 들어, 1cm, 3cm 등) 내에 있었던 총 시간 길이.
추출 모듈(216)은 또한 하나 이상의 히트 맵 특징을 추출할 수 있다. 히트 맵은 사용자(102)가 시각적인 컨텍스트에서 볼 수 있는 것의 확률론적 모델을 나타낼 수 있다. 히트 맵은 시선 입력(112)(예를 들어, 시선, 머리 포즈 등)으로부터 계산될 수 있다. 적어도 하나의 예에서, 추출 모듈(216)은 사용자(102)가 시각적 컨텍스트에서 제시되는 임의의 특정 시각적 요소를 본 확률을 모델링하기 위하여 개별적인 고정 지점들에 2차원 가우시안 모델을 활용할 수 있다. 개별 고정 지점들은 전술한 바와 같이 시선 입력(112)(예를 들어, 눈 시선, 머리 포즈 등)으로부터 결정될 수 있다. 일부 예들에서, 가우시안 모델은 미리 결정된 길이의 반경을 사용할 수 있다. 가우시안 모델은 시선 고정이 시간에 따라 어떻게 변화하는지를 모델링할 수 있고, 사용자(102)가 시각적 컨텍스트에서 특정 시각적 요소를 볼 수 있는 가능성을 나타내는데 사용되는 확률을 결정할 수 있다. 적어도 하나의 예에서, 눈 시선 입력(112)에 기초하여 결정된 히트 맵은 머리 포즈 또는 코 포인팅 시선 입력(112)에 기초하여 결정된 히트 맵보다 사용자(102)가 바라볼 수 있는 것을 더 대표할 수 있다.
추출 모듈(216)은 히트 맵을 활용하여 히트 맵 특징들을 추출할 수 있다. 히트 맵 특징들에는 시각적 컨텍스트에서 고정 지점들과 시각적 요소들을 연결하는 하나 이상의 특징이 포함될 수 있다. 전술한 바와 같이, 추출 모듈(216)은 시각적 컨텍스트와 관련된 디스플레이(108) 상에 제시될 수 있는 각각의 시각적 요소(예를 들어, 텍스트, 그림 등)와 관련된 영역 또는 주변 거리를 계산할 수 있다. 시각적 요소와 관련하여 계산된 거리 또는 영역은 경계 박스를 나타낼 수 있으며 히트 맵 특징 추출에 사용될 수 있다. 적어도 하나의 예에서, 히트 맵 특징은 경계 박스 내의 영역과 관련된 히트 맵 확률에 적어도 부분적으로 기초할 수 있다. 경계 박스 내부의 영역과 관련된 히트 맵 확률은 사용자(102)가 디스플레이(108)상의 경계 박스에 대응하는 시각적 요소를 보았을 가능성을 계산하는데 사용될 수 있다. 일부 예들에서, 히트 맵 특징들은 미리 결정된 시간의 윈도우들에 걸쳐 시선 고정을 캡처하는 하나 이상의 특징을 포함할 수 있다.
추출 모듈(216)은 시각적 컨텍스트에서 음성 입력(302), 시선 입력(304) 및 시각적 요소들에 적어도 부분적으로 기초하여 한 세트의 특징(308)을 출력할 수 있다. 특징 세트(308)는 어휘 특징, 눈 시선 특징, 및/또는 히트 맵 특징을 포함할 수 있다.
분석 모듈(218)은 추출된 특징들에 적어도 부분적으로 기초하여 시각적인 컨텍스트에서 시각적 요소들에 대한 언급을 해결하도록 구성될 수 있다. 적어도 하나의 예에서, 분석 모듈(218)은 분류 시스템을 활용하여 개개의 시각적 요소와 관련된 확률을 계산하고 계산된 확률에 적어도 부분적으로 기초하여 어떤 시각적 요소가 음성 입력(302)의 대상인지를 결정할 수 있다. 일부 예들에서, 분석 모듈(218)은 가장 높은 확률을 갖는 시각적 요소를 식별하는 것에 적어도 부분적으로 기초하여 음성 입력의 대상인 시각적 요소를 식별할 수 있다. 다른 예들에서, 분석 모듈(218)은 분류 시스템을 활용하여 미리 결정된 임계치를 초과하는 계산된 확률을 갖는 시각적 컨텍스트 내의 시각적 요소들을 식별할 수 있다. 분석 모듈(218)은 음성 입력(302)의 대상인 시각적 요소를 미리 결정된 임계치를 초과하는 계산된 확률을 갖는 시각적 요소들 중 하나로서 식별할 수 있다.
일부 예들에서, 분석 모듈(218)은 시각적 요소들을 분류하는데 2개 이상의 특징(예를 들어, 어휘 특징, 시선 특징, 히트 맵 특징 등)의 조합을 고려할 수 있다. 적어도 하나의 예에서, 분석 모듈(218)은 추출 모듈(216)에 의해 추출된 특징들(308)의 세트에 적어도 부분적으로 기초하여 특정 시각적 요소가 음성 입력(302)의 의도된 대상인지 여부를 결정하도록 구성된 분류기(classifier)를 활용할 수 있다. 적어도 하나의 예에서, 분류기는 icsiboost 분류기, AdaBoost 분류 기, sleeping-experts 분류기, Naive-Bayes 분류기, Rocchio 분류기, RIPPER 분류 기 등을 포함할 수 있다. 일부 예들에서, 분류기는 2진 분류기를 나타낼 수 있다. 분석 모듈(218)은 특정 시각적 요소가 음성 입력(302)의 대상이었던 가능성의 측정치를 나타내는 의도된 언급의 확률(예를 들어, f(item was referred │item, f_lexical, f_gaze), 여기서 f_lexical은 어휘 특징을 지칭하고, f_gaze을 지칭함)을 출력할 수 있다. 다른 분류기들은 시각적인 컨텍스트에서 시각적 요소에 대한 언급을 해결하기 위해 분석 모듈(218)에 의해 사용될 수 있다.
적어도 하나의 예에서, 분석 모듈(218)은 도 3에 도시된 바와 같이 분류기를 통한 처리를 위해 특징 세트(308)를 수신할 수 있다. 일부 예들에서, 특징 세트는 특정 시각적 요소가 어휘 특징들에 적어도 부분적으로 기초하여 음성 입력(302)에서 언급된 시각적 요소일 확률, 및 특정 시각적 요소가 시선 특징들에 적어도 부분적으로 기초한 시각적 요소일 확률을 포함할 수 있다. 분류기는 두 개의 확률을 함께 곱하여 특정 시각적 요소가 시각적 컨텍스트에서 사용자(102)가 상호 작용하고자 했던 특정 시각적 요소였는지 여부를 결정하는 데 사용될 수 있는 새로운 확률을 계산할 수 있다. 다른 예들에서, 분석 모듈(218)은 특징들(예를 들어 어휘 특징들, 시선 특징들, 히트 맵 특징들) 각각을 개별적으로 분류한 다음, 분류의 출력을 결합하여 시각적 컨텍스트에서의 시각적 요소에 대한 언급을 해결할 수 있다. 대안적으로, 분석 모듈(218)은 사용자 발언(110)로부터 추출된 어휘 특징 세트에 제1 분류기를 적용할 수 있고, 사용자 발언이 모호 및/또는 애매한 경우, 시선 입력(112)으로부터 추출된 시선 특징 세트에 제2 분류기를 적용할 수 있다 .
분석 모듈(218)은 가장 높은 확률을 갖는 하나 이상의 시각적 요소 및/또는 미리 결정된 임계치를 초과하는 것으로 결정된 확률을 갖는 하나 이상의 시각적 요소를 식별하는 필터링 모듈을 포함할 수 있다. 일부 예들에서, 분석 모듈(218)은 분석 모듈(218)에 의해 결정된 확률에 적어도 부분적으로 기초하여 시각적 요소를 순위 매기기 위한 랭킹 모듈(ranking module)을 부가적으로 또는 대안적으로 포함할 수 있다. 분석 모듈(218)은 랭킹 모듈의 결과를 활용하여 시각적인 컨텍스트에서 시각적 요소에 대한 언급을 해결할 수 있다. 일부 예들에서, 가장 높은 확률을 갖는 시각적 요소는 시각적 요소들의 리스트의 최상위에 있는 것으로 순위가 매겨질 수 있고, 분석 모듈(218)은 최상위 등급의 시각적 요소가 사용자 발언의 의도된 목표라는 것을 결정할 수 있다.
도 4는 컴퓨터화된 대화형 시스템과 관련된 시각적 컨텍스트에서 하나 이상의 시각적 요소들 중 의도된 시각적 요소를 결정하기 위한 예시적인 프로세스(400)를 도시한다.
블록(402)은 시각적 컨텍스트에서 사용자 상호 작용을 수신하기 위해 이용 가능한 시각적 요소를 식별하는 것을 도시한다. 전술한 바와 같이, 시각적 컨텍스트는 웹 브라우저, 대화형 상호 작용 시스템, 또는 시각적 요소들을 디스플레이하기 위한 다른 시각적 컨텍스트를 포함할 수 있다. 개별 시각적 요소는 컴퓨터화된 대화형 시스템에 의해 수행될 수 있는 동작 및/또는 작업과 관련될 수 있다. 추출 모듈(216)은 시각적 요소를 식별할 수 있고, 전술한 바와 같이, 시각적 요소 주위의 영역(예를 들어, 경계 박스) 및/또는 거리를 결정할 수 있다.
블록(404)은 시각적 컨텍스트 내의 하나 이상의 시각적 요소와 관련된 사용자 입력을 수신하는 것을 도시한다. 수신 모듈(214)은 사용자 발언로 표기될 수 있는 음성 입력(302), 시선 입력(304)(예를 들어, 눈 시선, 머리 포즈 등), 제스처 입력 등의 사용자 입력을 수신할 수 있다. 적어도 하나의 예에서, 음성 입력(302)은 시각적 컨텍스트에서 하나 이상의 시각적 요소들 중 특정 시각적 요소를 언급할 수 있다. 전술한 바와 같이, 음성 입력(302)은 특정 시각적 요소를 명시적으로 언급할 수 있고/있거나 특정 시각적 요소를 암시적으로 언급할 수 있다. 음성 입력(302)은 음성 입력(302)을 구성할 수 있는 어휘, 문법 및/또는 의도 선택에 제약을 받지 않을 수 있다. 음성 입력(302)에 추가하여, 수신 모듈(214)은 시선 입력(304)을 수신할 수 있다. 적어도 하나의 예에서, 시선 입력(304)은 사용자(102)가 컴퓨터화된 컴퓨팅 시스템과 상호 작용하는 동안 사용자 시선, 머리 포즈 등을 추적하는 추적 컴포넌트(106)에 의해 수집될 수 있다.
블록(406)은 시각적 요소들 및 사용자 입력에 적어도 부분적으로 기초하여 어휘 특징들 및 시선 특징들을 추출하는 것을 도시한다. 추출 모듈(216)은 전술한 바와 같이 어휘 특징들, 시선 특징들 및 히트 맵 특징들을 추출할 수 있다. 시선 특징들을 추출하는 것은 미리 결정된 시간들에(at predetermined times) 개별 시각적 요소에 대하여 결정된 정의된 영역(예를 들어, 경계 박스) 및 시선 입력(304)과 관련된 고정 지점(예를 들어, 중심 고정 지점 및/또는 임의의 고정 지점) 사이의 거리를 계산하는 것을 포함할 수 있다. 어휘 특징들을 추출하는 것은 전술한 바와 같이, 시각적 컨텍스트 내의 시각적 요소들의 개별 시각적 요소와 관련된 텍스트와 음성 입력(302) 사이의 어휘적 유사성을 계산하는 것을 포함할 수 있다. 히트 맵 특징들을 추출하는 것은 시선 입력(304) 고정과 디스플레이(108) 상에 표시된 시각적 요소를 연결하는 하나 이상의 특징을 추출하는 것을 포함할 수 있다.
블록(408)은 사용자 입력과 관련된 하나 이상의 시각적 요소들 중 특정 시각적 요소를 결정하는 것을 도시한다. 분석 모듈(218)은 어휘 특징들 및 시선 특징들에 적어도 부분적으로 기초하여 음성 입력(302)의 의도된 대상이었던 시각적 요소를 결정할 수 있다. 의도된 시각적 요소를 결정하는 것은 전술한 바와 같이 이진 분류기를 통해 시각적 요소들을 분류하는 것을 포함할 수 있다. 분석 모듈(218)은 시각적 요소와 관련된 확률을 계산하기 위해 분류기를 활용할 수 있다. 전술한 바와 같이, 분석 모듈(218)은 계산된 확률에 적어도 부분적으로 기초하여 시각적 요소를 추가로 필터링하고/하거나 순위를 매길 수 있다. 분석 모듈(218)은 적어도 계산된 확률에 기초하여 특정 시각적 요소를 결정할 수 있다. 적어도 일부 예들에서, 특정 시각적 요소는 동작 및/또는 작업와 관련될 수 있고, 적어도 부분적으로 특정 시각적 요소를 식별하는 것에 기초하여, 분석 모듈(218)은 특정 시각적 요소와 관련된 동작 및/또는 작업이 시각적 컨텍스트에서 수행되도록 할 수 있다.
도 5는 어휘 특징들 및 시선 특징들에 적어도 부분적으로 기초하여 사용자 발성에서 언급되는 특정 시각적 요소를 결정하기 위한 예시적인 프로세스(500)를 도시한다.
블록(502)은 시각적 컨텍스트에서 사용자 상호 작용을 수신하기 위한 시각적 요소들을 식별하는 것을 도시한다. 전술한 바와 같이, 시각적 컨텍스트는 웹 브라우저, 애플리케이션 인터페이스 또는 시각적 요소를 표시하기 위한 다른 시각적 컨텍스트를 포함할 수 있다. 추출 모듈(216)은 시각적 컨텍스트에서 시각적 요소들을 식별할 수 있고, 전술한 바와 같이, 시각적 요소들 주위의 영역(예를 들어, 경계 박스) 및/또는 거리를 결정할 수 있다.
블록(504)은 시각적 컨텍스트에서 하나 이상의 시각적 요소들 중 제1 시각적 요소를 언급하는 사용자 발언을 수신하는 것을 나타낸다. 수신 모듈(214)은 음성 입력(302)과 같은 사용자 입력을 수신할 수 있고, 추출 모듈(216)에 의한 처리를 위해 음성 입력(302)을 사용자 발언으로 표기할 수 있다. 적어도 하나의 예에서, 사용자 발언은 시각적 컨텍스트에서 하나 이상의 시각적 요소들 중 특정 시각적 요소를 언급할 수 있다. 전술한 바와 같이, 사용자 발언은 특정 시각적 요소를 명시적으로 언급할 수 있고/있거나 특정 시각적 요소를 암시적으로 지칭할 수 있다. 사용자 발언은 사용자 발언을 구성할 수 있는 어휘, 문법, 및/또는 의도 선택에 대한 제약으로부터 자유로울 수 있다.
블록(506)은 시각적 컨텍스트에서 하나 이상의 시각적 요소들 중 적어도 제2 시각적 요소와 관련된 시선 입력(304)을 수신하는 것을 도시한다. 수신 모듈(214)은 시선 입력(304)(예를 들어, 눈 시선, 머리 포즈 등)과 같은 사용자 입력을 수신할 수 있다. 적어도 하나의 예에서, 시선 입력(304)은 전술한 바와 같이 추적 컴포넌트(106)에 의해 수집될 수 있다.
블록(508)은 사용자 발언 및 시각적 요소들에 적어도 부분적으로 기초하여 어휘 특징들을 추출하는 것을 도시한다. 추출 모듈(216)은 어휘 특징들을 추출할 수 있다. 어휘 특징들을 추출하는 것은 전술한 바와 같이, 시각적 컨텍스트 내의 시각적 요소들의 개별 시각적 요소와 관련된 텍스트와 사용자 발언 사이의 어휘적 유사성을 계산하는 것을 포함할 수 있다.
블록(510)은 시선 입력(304) 및 시각적 요소들에 적어도 부분적으로 기초하여 시선 특징들을 추출하는 것을 도시한다. 추출 모듈(216)은 시선 특징들을 추출할 수 있다. 전술한 바와 같이, 시선 특징들을 추출하는 것은 미리 결정된 시간들에 개별 시각적 요소와 관련된 경계 박스 및 시선 입력(304)과 관련된 고정 지점 사이의 거리를 계산하는 것을 포함할 수 있다.
블록(512)은 사용자 발언에서 언급되는 시각적 요소들 중 특정 시각적 요소를 결정하는 것을 나타낸다. 전술한 바와 같이, 결정은 어휘 특징들 및 시선 특징들에 적어도 부분적으로 기초할 수 있다. 일부 예들에서, 결정은 어휘 특징들 및 시선 특징들에 추가하여 히트 맵 특징들에 기초할 수 있다. 분석 모듈(218)은 시각적 요소와 관련된 확률을 계산하기 위해 분류기를 활용할 수 있다. 전술한 바와 같이, 분석 모듈(218)은 계산된 확률에 적어도 부분적으로 기초하여 시각적 요소를 추가로 필터링하고/하거나 순위를 매길 수 있다. 분석 모듈(218)은 적어도 계산된 확률에 기초하여 의도된 시각적 요소를 결정할 수 있다. 적어도 일부 예들에서, 의도된 시각적 요소는 동작 및/또는 작업과 관련될 수 있고, 의도된 시각적 요소를 식별하는 것에 적어도 부분적으로 기초하여, 분석 모듈(218)은 컴퓨터화된 대화형 시스템이 의도된 시각적 요소와 관련된 동작 및/또는 작업을 수행하도록 할 수 있다.
도 6은 시각적 컨텍스트에서 특정 시각적 요소를 필터링하고 식별하기 위한 프로세스(600)를 도시한다.
블록(602)은 계산된 확률에 적어도 부분적으로 기초하여 시각적 요소를 필터링하는 것을 나타낸다. 전술한 바와 같이, 분석 모듈(218)은 추출 모듈(216)에 의해 추출된 특징 세트(308)에 적어도 부분적으로 기초하여 특정 시각적 요소가 사용자 발언(110)의 대상일 수 있는지 여부를 결정하도록 구성된 분류기를 활용할 수 있다. 분석 모듈(218)은 전술한 바와 같이, 의도된 언급의 확률(예를 들어, f(item was referred │item, f_lexical, f_gaze), 여기서 f_lexical은 어휘 특징을 지칭하고, f_gaze는 시선 특징을 지칭함)을 출력할 수 있다. 분석 모듈(218)은 적어도 부분적으로 확률에 기초하여 시각적 요소들을 필터링하는 필터링 모듈을 포함할 수 있다. 일부 예들에서, 분석 모듈(218)은 추가적으로 또는 대안적으로, 분석 모듈(218)에 의해 결정된 확률에 적어도 부분적으로 기초하여 시각적 요소들을 순위 매기기 위한 랭킹 모듈을 포함할 수 있다.
블록(604)은 미리 결정된 임계치를 초과하는 확률을 갖는 시각적 요소들의 세트 내의 개별 시각적 요소들에 적어도 부분적으로 기초하여 시각적 요소 세트를 식별하는 것을 도시한다. 적어도 하나의 예에서, 분석 모듈(218)은 전술한 바와 같이 미리 결정된 임계치를 초과하는 것으로 결정된 확률을 갖는 시각적 요소들의 세트를 식별할 수 있다.
블록(606)은 시각적 요소들의 세트로부터 특정 시각적 요소를 식별하는 것을 도시한다. 분석 모듈(218)은 미리 결정된 임계치를 초과하는 것으로 결정된 확률을 가진 시각적 요소들의 세트로부터 특정 시각적 요소를 식별할 수 있다. 일부 예들에서, 특정 시각적 요소는 가장 높은 확률 또는 미리 결정된 임계치를 초과하는 확률을 갖는 시각적 요소일 수 있다.
A. 컴퓨터 구현 방법에 있어서, 시각적 컨텍스트에서 사용자 상호 작용을 위해 이용 가능한 시각적 요소들을 식별하는 단계; 상기 시각적 컨텍스트 내의 하나 이상의 시각적 요소와 관련된 사용자 입력을 수신하는 단계로서, 상기 사용자 입력은 상기 하나 이상의 시각적 요소 중 특정 시각적 요소를 언급하는 음성 입력으로부터 도출된 발언, 및 상기 하나 이상의 시각적 요소 중 적어도 일부 - 상기 하나 이상의 시각적 요소 중 적어도 일부는 상기 특정 시각적 요소를 포함함 - 와 관련된 시선 입력을 포함하는, 상기 사용자 입력 수신 단계; 상기 시각적 요소들 및 상기 사용자 입력에 적어도 부분적으로 기초하여 어휘 특징들 및 시선 특징들을 추출하는 단계; 및 상기 어휘 특징들 및 시선 특징들에 적어도 부분적으로 기초하여 상기 특정 시각적 요소를 결정하는 단계를 포함하는, 컴퓨터 구현 방법.
B. 단락 A에 있어서, 상기 시각적 컨텍스트는 자유로운 형태의 웹 브라우저 또는 애플리케이션 인터페이스인 것인 컴퓨터 구현 방법.
C. 단락 A 또는 단락 B에 있어서, 상기 시선 입력은 적어도 상기 의도된 시각적 요소와 관련된 눈 시선 입력 또는 적어도 상기 의도된 요소와 관련된 머리 포즈 입력을 포함하고, 상기 사용자 머리 포즈 입력은 눈 시선 입력에 대한 프록시로서의 역할을 하는 것인 컴퓨터 구현 방법.
D. 단락 A 내지 단락 C 중 어느 한 단락에 있어서, 상기 특정 시각적 요소를 결정하기 위하여, 상기 시각적 요소들의 개별 시각적 요소들과 관련된 확률들을 계산하는 단계를 더 포함하고, 상기 확률들은 상기 어휘 특징들 및 상기 시선 특징들에 적어도 부분적으로 기초하는 것인 컴퓨터 구현 방법.
E. 단락 A 내지 단락 D 중 어느 한 단락에 있어서, 상기 계산된 확률들에 적어도 부분적으로 기초하여 상기 개별 시각적 요소들을 필터링하는 단계; 미리 결정된 임계치를 초과하는 확률들을 갖는 시각적 요소들의 세트 내의 개별 시각적 요소들에 적어도 부분적으로 기초하여 시각적 요소들의 세트를 식별하는 단계; 및 상기 시각적 요소들의 세트로부터 상기 특정 시각적 요소를 식별하는 단계를 더 포함하는 것인 컴퓨터 구현 방법.
F. 단락 A 내지 단락 E 중 어느 한 단락에 있어서, 상기 시선 특징들을 추출하는 단계는, 상기 시선 입력과 관련된 복수의 고정 지점들을 식별하는 단계; 상기 복수의 고정 지점들 중 미리 결정된 수를 함께 클러스터로 그룹화하는 단계; 및 상기 클러스터의 중심을 상기 시선 특징들을 추출하기 위한 특정 고정 지점으로서 식별하는 단계를 포함하는 것인 컴퓨터 구현 방법.
G. 단락 A 내지 단락 F 중 어느 한 단락에 있어서, 상기 시선 특징들을 추출하는 단계는, 상기 음성 입력의 시작 시간 및 끝 시간을 계산하는 단계; 및 상기 시선 특징들을 추출하는 단계를 포함하고, 상기 시선 특징 추출은, 특정 고정 지점과 상기 시각적 요소들의 개별 시각적 요소들과 관련된 영역 간의 거리들; 상기 음성 입력의 시작 시간; 및 상기 음성 입력의 끝 시간에 적어도 부분적으로 기초하는 것인 컴퓨터 구현 방법.
H. 단락 A 내지 단락 G 중 어느 한 단락에 있어서, 상기 특정 시각적 요소는 동작(action)과 관련되어 있고, 상기 방법은, 상기 특정 시각적 요소를 식별하는 것에 적어도 부분적으로 기초하여, 상기 의도된 시각적 요소와 관련된 동작이 상기 시각적 컨텍스트에서 수행되도록 하는 단계를 더 포함하는 것인 컴퓨터 구현 방법.
I. 명령어들로 인코딩된 하나 이상의 컴퓨터 판독 가능 매체로서, 상기 명령어들은 프로세서에 의해 실행될 때, 단락 A 내지 단락 H 중 어느 한 단락에 의한 방법을 수행하도록 컴퓨터를 구성하는 것인 하나 이상의 컴퓨터 판독 가능 매체.
J. 장치에 있어서, 하나 이상의 프로세서와 명령어들로 인코딩된 하나 이상의 컴퓨터 판독 가능 매체를 포함하고, 상기 명령어들은 상기 하나 이상의 프로세서에 의해 실행될 때, 단락 A 내지 단락 H 중 어느 한 단락에 의한 방법을 수행하도록 컴퓨터를 구성하는 것인 장치.
K. 시스템에 있어서, 시각적 컨텍스트에서 사용자 상호 작용을 위해 이용 가능한 시각적 요소들을 식별하는 수단; 상기 시각적 컨텍스트 내의 하나 이상의 시각적 요소와 관련된 사용자 입력을 수신하는 수단으로서, 상기 사용자 입력은 상기 하나 이상의 시각적 요소 중 특정 시각적 요소를 언급하는 음성 입력으로부터 도출된 발언, 및 상기 하나 이상의 시각적 요소 중 적어도 일부 - 상기 하나 이상의 시각적 요소 중 적어도 일부는 상기 특정 시각적 요소를 포함함 - 와 관련된 시선 입력을 포함하는, 상기 사용자 입력 수신 수단; 상기 시각적 요소들 및 상기 사용자 입력에 적어도 부분적으로 기초하여 어휘 특징들 및 시선 특징들을 추출하는 수단; 및 상기 어휘 특징들 및 시선 특징들에 적어도 부분적으로 기초하여 상기 특정 시각적 요소를 결정하는 수단을 포함하는 것인, 시스템.
L. 단락 K에 있어서, 상기 시각적 컨텍스트는 자유로운 형태의 웹 브라우저 또는 애플리케이션 인터페이스인 것인 시스템.
M. 단락 K 또는 단락 L에 있어서, 상기 시선 입력은 적어도 상기 의도된 시각적 요소와 관련된 눈 시선 입력 또는 적어도 상기 의도된 요소와 관련된 머리 포즈 입력을 포함하고, 상기 사용자 머리 포즈 입력은 눈 시선 입력에 대한 프록시로서의 역할을 하는 것인 시스템.
N. 단락 K 내지 단락 M 중 어느 한 단락에 있어서, 상기 특정 시각적 요소를 결정하기 위하여, 상기 시각적 요소들의 개별 시각적 요소와 관련된 확률들을 계산하는 수단을 더 포함하고, 상기 확률들은 상기 어휘 특징들 및 상기 시선 특징들에 적어도 부분적으로 기초하는 것인 시스템.
O. 단락 K 내지 단락 N 중 어느 한 단락에 있어서, 상기 계산된 확률들에 부분적으로 기초하여 상기 개별 시각적 요소들을 필터링하는 수단; 미리 결정된 임계치를 초과하는 확률들을 갖는 시각적 요소들의 세트의 개별 시각적 요소들에 적어도 부분적으로 기초하여 시각적 요소들의 세트를 식별하는 수단; 및 상기 시각적 요소들의 세트로부터 상기 특정 시각적 요소를 식별하는 수단을 더 포함하는 것인 시스템.
P. 단락 K 내지 단락 O 중 어느 한 단락에 있어서, 시선 특징들을 추출하는 것은, 상기 시선 입력과 관련된 복수의 고정 지점들을 식별하는 것; 상기 복수의 고정 지점들 중 미리 결정된 수를 함께 클러스터로 그룹화하는 것; 및 상기 클러스터의 중심을 상기 시선 특징들을 추출하기 위한 특정 고정 지점으로서 식별하는 것을 포함하는 것인 시스템.
Q. 단락 K 내지 단락 P 중 어느 한 단락에 있어서, 시선 특징들을 추출하는 것은, 상기 음성 입력의 시작 시간 및 끝 시간을 계산하는 것; 및 상기 시선 특징들을 추출하는 것을 포함하고, 상기 시선 특징 추출은, 특정 고정 지점과 상기 시각적 요소들의 개별 시각적 요소들과 관련된 영역 간의 거리들; 상기 음성 입력의 시작 시간; 및 상기 음성 입력의 끝 시간에 적어도 부분적으로 기초하는 것인 시스템.
R. 단락 K 내지 단락 Q 중 어느 한 단락에 있어서, 상기 특정 시각적 요소는 동작과 관련되어 있고, 상기 방법은, 상기 특정 시각적 요소를 식별하는 것에 적어도 부분적으로 기초하여, 상기 의도된 시각적 요소와 관련된 동작이 상기 시각적 컨텍스트에서 수행되도록 하는 수단을 더 포함하는 것인 시스템.
S. 명령어들로 인코딩된 하나 이상의 컴퓨터 판독 가능 매체에 있어서, 상기 명령어들은 프로세서에 의해 실행될 때, 시각적 컨텍스트에서 사용자 상호 작용을 수신하기 위한 시각적 요소들을 식별하는 동작; 상기 시각적 컨텍스트 내의 시각적 요소들 중 제1 시각적 요소를 언급하는 음성 입력으로부터 표기된 사용자 발언을 수신하는 동작; 상기 시각적 컨텍스트 내의 시각적 요소들 중 적어도 제2 시각적 요소와 관련된 시선 입력을 수신하는 동작; 상기 사용자 발언 및 상기 시각적 요소들에 적어도 부분적으로 기초하여 시선 특징들을 추출하는 동작; 및 상기 어휘 트징들 및 시선 특징들에 적어도 부분적으로 기초하여 상기 제1 시각적 요소를 결정하는 동작을 포함하는 동작들을 수행하도록 컴퓨터를 구성하는 것인, 하나 이상의 컴퓨터 판독 가능 매체.
T. 단락 S에 있어서, 상기 동작들은 상기 시선 입력 및 상기 시각적 요소들에 적어도 부분적으로 기초하여, 히트 맵 특징들을 추출하는 동작을 더 포함하는 것인, 하나 이상의 컴퓨터 판독 가능 매체.
U. 단락 S 또는 단락 T에 있어서, 상기 동작들은 상기 시각적 요소들의 개별 시각적 요소들에 대한 경계 박스를 결정하는 동작을 더 포함하고, 상기 경계 박스는 상기 개별 시각적 요소들과 관련된 영역을 포함하는 것인, 하나 이상의 컴퓨터 판독 가능 매체.
V. 단락 S 내지 단락 U 중 어느 한 단락에 있어서, 시선 특징들을 추출하는 동작은, 미리 결정된 시간들에 개별 시각적 요소들에 대한 경계 박스 및 상기 시선 입력과 관련된 고정 지점들 사이의 거리들을 계산하는 동작을 포함하고, 상기 경계 박스들은 상기 개별 시각적 요소들과 관련된 영역들을 포함하는 것인, 하나 이상의 컴퓨터 판독 가능 매체.
W. 단락 S 내지 단락 V 중 어느 한 단락에 있어서, 어휘 특징들을 추출하는 동작은, 상기 시각적 요소들의 개별 시각적 요소들과 관련된 텍스트와 상기 사용자 발언 사이의 어휘적 유사성을 계산하는 동작을 포함하는 것인, 하나 이상의 컴퓨터 판독 가능 매체.
X. 단락 S 내지 단락 W 중 어느 한 단락에 있어서, 상기 특정 시각적 요소를 결정하는 동작은, 이진 분류기를 상기 어휘 특징들 및 시선 특징들 중 적어도 하나에 적용하는 것에 적어도 부분적으로 기초하여, 상기 시각적 요소들을 분류하는 동작을 포함하는 것인, 하나 이상의 컴퓨터 판독 가능 매체.
Y. 하나 이상의 프로세서 및 단락 S 내지 단락 X 중 어느 한 단락에 기재된 하나 이상의 컴퓨터 판독 가능 매체를 포함하는 장치.
Z. 시스템에 있어서, 컴퓨터 판독 가능 매체; 하나 이상의 프로세서; 및 상기 컴퓨터 판독 가능 매체 상에 있고, 상기 하나 이상의 프로세서에 의해 실행가능한 하나 이상의 모듈을 포함하고, 상기 하나 이상의 모듈은 시각적 컨텍스트와 관련된 사용자 인터페이스 상에 제시된 복수의 시각적 요소들 중 특정 시각적 요소를 언급하는 음성 입력으로부터 표기된 사용자 발언; 및 상기 시각적 컨텍스트와 관련된 사용자 인터페이스 상에 제시된 복수의 시각적 요소들 중 하나 이상에 관한 시선 입력을 수신하도록 구성된 수신 모듈; 상기 복수의 시각적 요소들, 상기 사용자 발언, 및 상기 시선 입력에 적어도 부분적으로 기초하여, 특징들의 세트를 추출하도록 구성된 추출 모듈; 및 상기 특징들의 세트에 적어도 부분적으로 기초하여, 상기 특정 시각적 요소를 식별하도록 구성된 분석 모듈을 포함하는 것인 시스템.
AA. 단락 Z에 있어서, 상기 사용자 인터페이스 상에 상기 복수의 시각적 요소들을 디스플레이하도록 구성된 디스플레이 모듈을 더 포함하는 것인 시스템.
AB. 단락 Z 또는 단락 AA에 있어서, 상기 특징들의 세트는 적어도 어휘 특징들 및 시선 특징들을 포함하고, 상기 어휘 특징들은 상기 복수의 시각적 요소들의 개별 시각적 요소들과 관련된 텍스트 및 상기 사용자 발언 사이의 어휘적 유사성을 나타내고, 상기 시선 특징들은 미리 결정된 시간들에 상기 개별 시각적 요소들과 관련된 경계 박스들, 및 상기 시선 입력과 관련된 고정 지점들 사이의 거리들을 나타내는 것인 시스템.
AC. 단락 Z 내지 단락 AB 중 어느 한 단락에 있어서, 상기 추출 모듈은 또한 상기 시선 입력 및 상기 복수의 시각적 요소들에 적어도 부분적으로 기초하여 히트 맵 특징들을 추출하도록 구성되는 것인, 시스템.
AD. 단락 Z 내지 단락 AC 중 어느 한 단락에 있어서, 상기 분석 모듈은 또한, 상기 특정 시각적 요소를 식별하기 위하여, 상기 복수의 시각적 요소들의 개별 시각적 요소들과 관련된 확률들을 계산하도록 구성되고, 상기 확률들은 상기 어휘 특징들 및 시선 특징들에 적어도 부분적으로 기초하는 것인 시스템.
AE. 단락 Z 내지 단락 AD 중 어느 한 단락에 있어서, 상기 분석 모듈은 또한, 상기 복수의 시각적 요소들과 관련된 상기 계산된 확률들 모두 중에 가장 높은 확률을 가지는 특정 요소에 적어도 부분적으로 기초하여, 상기 특정 시각적 요소를 식별하도록 구성되는 것인 시스템.
AF. 단락 AD에 있어서, 상기 분석 모듈은 또한, 제1 프로세스에서 상기 어휘 특징들을 분류하고; 상기 제1 프로세스와 상이한 시간에 있는 제2 프로세스에서 상기 시선 특징들을 분류하고; 상기 어휘 특징들을 분류하고, 상기 시선 특징들을 분류하는 것에 적어도 부분적으로 기초하여, 상기 특정 시각적 요소를 식별하기 위하여 상기 복수의 시각적 요소들의 개별 시각적 요소들과 관련된 확률들을 계산하고; 상기 계산된 확률들에 적어도 부분적으로 기초하여 상기 특정 시각적 요소를 식별하도록 구성되는 것인 시스템.
결론
마지막으로, 다양한 실시 예들이 구조적 특징들 및/또는 방법론적 동작들에 특유한 언어로 설명되었지만 첨부된 표현에서 정의된 주제가 반드시 기술된 특정 특징들 또는 동작들에 한정되는 것은 아니다. 오히려, 특정한 특징들 및 동작들은 청구된 주제를 구현하는 예시적인 형태로서 개시된다.

Claims (20)

  1. 컴퓨터 구현 방법(computer-implemented method)에 있어서,
    디스플레이 상의 시각적 컨텍스트에서 사용자 상호 작용을 위해 이용 가능한 복수의 시각적 요소들을 식별하는 단계;
    사용자가 말한 하나 이상의 단어를 포함하는 음성 입력을 수신하는 단계;
    상기 음성 입력으로부터 어휘 특징들을 추출하는 단계;
    상기 복수의 시각적 요소들 중 각각의 시각적 요소에 대하여, 상기 어휘 특징들과 상기 복수의 시각적 요소들의 각각의 시각적 요소 사이의 어휘적 유사성(lexical similarity) 및 각 어휘적 유사성에 대한 어휘 확률(lexical probability)을 계산하는 단계;
    추적 컴포넌트로부터 시선 입력을 수신하는 단계;
    상기 시선 입력으로부터, 상기 사용자가 상기 디스플레이 상의 상기 시각적 컨텍스트에서 보고 있는 객체의 확률론적 모델을 나타내는 히트 맵(heat map)을 결정하는 단계 - 상기 객체는 상기 복수의 시각적 요소들을 포함함 - ;
    어휘 확률들 중 하나의 어휘 확률과 상기 히트 맵의 조합을 사용하여, 상기 복수의 시각적 요소들 중 특정 시각적 요소가 상기 음성 입력의 의도된 시각적 요소인 것을 결정하는 단계;
    하나 이상의 프로세서에 의해, 상기 음성 입력이 상기 특정 시각적 요소로 디렉팅되는(directed) 명령을 포함한다고 결정하는 단계; 및
    상기 특정 시각적 요소와 연관된 액션(action)이 수행되게 하는 단계
    를 포함하는, 컴퓨터 구현 방법.
  2. 제1항에 있어서,
    상기 시각적 컨텍스트는 자유로운 형태의 웹 브라우저 또는 애플리케이션 인터페이스인 것인, 컴퓨터 구현 방법.
  3. 제1항에 있어서,
    상기 특정 시각적 요소와 연관된 머리 포즈 입력을 수신하는 단계를 더 포함하고, 상기 머리 포즈 입력은 상기 시선 입력에 대한 프록시(proxy)로서의 역할을 하는 것인, 컴퓨터 구현 방법.
  4. 제1항에 있어서,
    상기 어휘 확률과 상기 히트 맵의 조합을 사용하는 것은,
    상기 디스플레이 상의 상기 복수의 시각적 요소들의 각각의 시각적 요소 주위의 영역을 결정하는 것 - 각 영역은 결정된 영역들 중 다른 영역들과 교차하지 않음 - ; 및
    각 영역으로부터 상기 히트 맵과 연관된 고정 지점(fixation point)들까지의 거리를 결정하는 것
    을 포함하는 것인, 컴퓨터 구현 방법.
  5. 제4항에 있어서,
    각각의 계산된 확률에 적어도 부분적으로 기초하여 개별 시각적 요소들을 필터링하는 단계;
    미리 결정된 임계치를 넘는 각각의 확률을 갖는 하나 이상의 시각적 요소를 식별하는 단계; 및
    상기 하나 이상의 시각적 요소로부터 상기 특정 시각적 요소를 식별하는 단계
    를 더 포함하는, 컴퓨터 구현 방법.
  6. 제1항에 있어서,
    상기 시선 입력과 연관된 복수의 고정 지점들을 식별하는 단계;
    상기 복수의 고정 지점들 중 미리 결정된 수의 고정 지점들을 클러스터(cluster)로 함께 그룹화하는 단계; 및
    상기 시선 입력으로부터 시선 특징을 추출하기 위한 특정 고정 지점으로서 상기 클러스터의 중심(centroid)을 식별하는 단계 - 상기 시선 특징은 상기 시선 입력이 상기 특정 시각적 요소와 연관되어 있다고 결정하기 위해 사용될 수 있음 -
    를 더 포함하는, 컴퓨터 구현 방법.
  7. 제6항에 있어서,
    상기 음성 입력의 시작 시간과 종료 시간을 계산하는 단계; 및
    상기 시선 특징을 추출하는 단계 - 상기 시선 특징을 추출하는 단계는,
    상기 복수의 시각적 요소들 중 개별 시각적 요소와 연관된 영역과 상기 특정 고정 지점 사이의 거리;
    상기 음성 입력의 시작 시간; 및
    상기 음성 입력의 종료 시간
    에 적어도 부분적으로 기초함 -
    를 더 포함하는, 컴퓨터 구현 방법
  8. 제1항에 있어서,
    상기 액션은 상기 특정 시각적 요소의 선택 또는 상기 특정 시각적 요소로의 정보의 입력 중 하나를 포함하는 것인, 컴퓨터 구현 방법.
  9. 장치에 있어서,
    하나 이상의 프로세서; 및
    명령어들로 인코딩된 컴퓨터 판독가능 매체
    를 포함하고,
    상기 명령어들은, 상기 하나 이상의 프로세서에 의해 실행될 때, 동작(act)들을 수행하도록 상기 장치를 구성하는 것이며, 상기 동작들은,
    디스플레이 상의 시각적 컨텍스트에서 사용자 상호 작용을 수신하기 위한 복수의 시각적 요소들을 식별하는 동작;
    특정 언어로 발음된 하나 이상의 단어를 포함하는 음성 입력으로부터 표기된(transcribed) 사용자 발언(utterance)을 결정하는 동작 - 상기 사용자 발언은 액션을 수행하기 위한 명령(command)을 포함함 - ;
    눈 추적 컴포넌트로부터 시선 입력을 수신하는 동작;
    상기 시선 입력으로부터, 상기 사용자가 상기 디스플레이 상의 상기 시각적 컨텍스트에서 보고 있는 객체의 확률론적 모델을 나타내는 히트 맵을 결정하는 동작 - 상기 객체는 상기 복수의 시각적 요소들을 포함함 - ;
    상기 사용자 발언에 적어도 부분적으로 기초하여 어휘 특징들을 추출하는 동작;
    상기 복수의 시각적 요소들 중 각각의 시각적 요소에 대하여, 상기 어휘 특징들과 상기 복수의 시각적 요소들의 각각의 시각적 요소 사이의 어휘적 유사성 및 각 어휘적 유사성에 대한 어휘 확률(lexical probability)을 계산하는 동작;
    상기 히트 맵에 적어도 부분적으로 기초하여 시선 특징들을 추출하는 동작; 및
    어휘 확률들 중 하나의 어휘 확률과 상기 시선 특징들의 조합을 사용하여, 상기 액션을 수행하기 위한 명령이 의도된 시각적 요소로 디렉팅된다고 결정하는 동작
    을 포함하는 것인, 장치.
  10. 제9항에 있어서,
    상기 동작들은, 상기 복수의 시각적 요소들의 개별 시각적 요소에 대한 경계 박스(bounding box)를 결정하는 동작을 더 포함하고, 상기 경계 박스는 상기 개별 시각적 요소와 연관된 영역을 포함하는 것인, 장치.
  11. 제10항에 있어서,
    상기 시선 특징들을 추출하는 동작은, 미리 결정된 시간에 상기 개별 시각적 요소에 대한 경계 박스와 상기 시선 입력과 연관된 고정 지점 사이의 거리를 계산하는 동작을 포함하는 것인, 장치.
  12. 제9항에 있어서,
    상기 어휘적 유사성을 계산하는 동작은, 상기 복수의 시각적 요소들의 개별 시각적 요소와 연관된 텍스트(text)와 상기 하나 이상의 단어 사이의 어휘적 유사성을 계산하는 동작을 포함하는 것인, 장치.
  13. 제9항에 있어서,
    상기 액션을 수행하기 위한 명령이 의도된 시각적 요소로 디렉팅된다고 결정하는 동작은, 상기 어휘 특징들 및 상기 시선 특징들 중 적어도 하나에 2진 분류기(binary classifier)를 적용하는 것에 적어도 부분적으로 기초하여, 상기 복수의 시각적 요소들을 분류하는 동작을 포함하는 것인, 장치.
  14. 시스템에 있어서,
    눈 추적 센서;
    디스플레이;
    컴퓨터 판독 가능 매체;
    하나 이상의 프로세서; 및
    상기 컴퓨터 판독 가능 매체에 저장되고, 상기 하나 이상의 프로세서에 의해 실행 가능한 모듈
    을 포함하고,
    상기 모듈은,
    수신 모듈;
    추출 모듈; 및
    분석 모듈
    을 포함하고,
    상기 수신 모듈은,
    상기 디스플레이의 사용자 인터페이스 상에 제시된 복수의 시각적 요소들 중 특정 시각적 요소를 언급하는(referring) 하나 이상의 단어를 포함하는 음성 입력; 및
    상기 눈 추적 센서로부터의 시선 입력 - 상기 시선 입력은 상기 사용자 인터페이스 상에 제시된 상기 복수의 시각적 요소들 중 하나 이상에 디렉팅됨 -
    을 수신하도록 구성되고,
    상기 추출 모듈은,
    상기 시선 입력으로부터, 사용자가 상기 디스플레이 상의 시각적 컨텍스트에서 보고 있는 객체의 확률론적 모델을 나타내는 히트 맵을 결정하고 - 상기 객체는 상기 복수의 시각적 요소들을 포함함 -;
    상기 음성 입력으로부터 어휘 특징들을 추출하고;
    상기 복수의 시각적 요소들의 각각의 시각적 요소에 대하여, 상기 복수의 시각적 요소들의 각각의 시각적 요소와 상기 추출된 어휘 특징들 사이의 어휘적 유사성을 계산하도록
    구성되고,
    상기 분석 모듈은,
    각각의 어휘적 유사성에 대한 어휘 확률을 계산하고;
    어휘 확률들 중 하나의 어휘 확률과 상기 히트 맵의 조합을 사용하여, 상기 특정 시각적 요소를 식별하도록
    구성되는 것인, 시스템.
  15. 제14항에 있어서,
    상기 추출 모듈은, 상기 히트 맵을 사용하여, 상기 사용자에 의한 시선의 대상(subject)이 될 각각의 시각적 요소에 대한 시선 확률을 결정하도록 구성되고, 상기 분석 모듈은, 각각의 시각적 요소에 대한 상기 시선 확률과 상기 어휘 확률의 조합을 사용하여 상기 특정 시각적 요소를 식별하도록 구성되는 것인, 시스템.
  16. 제14항에 있어서,
    상기 복수의 시각적 요소들의 각각의 시각적 요소에 대하여, 상기 복수의 시각적 요소들의 각각의 시각적 요소와 상기 추출된 어휘 특징들 사이의 어휘적 유사성을 계산하도록 구성되는 상기 추출 모듈은, 상기 복수의 시각적 요소들의 개별 시각적 요소들과 연관된 텍스트와 상기 하나 이상의 단어 사이의 어휘적 유사성을 계산하도록 구성되고,
    상기 추출 모듈은 시선 특징들을 추출하도록 구성되고, 상기 시선 특징들은 미리 결정된 시간에 상기 시선 입력과 연관된 고정 지점들과 상기 개별 시각적 요소들과 연관된 경계 박스들과의 사이의 거리를 나타내는 것인, 시스템.
  17. 제16항에 있어서,
    상기 분석 모듈은 또한, 상기 특정 시각적 요소를 식별하기 위해, 상기 복수의 시각적 요소들의 개별 시각적 요소들과 연관된 확률을 계산하도록 구성되고, 상기 확률은 상기 시선 특징들과 상기 어휘 특징들에 적어도 부분적으로 기초하는 것인, 시스템.
  18. 제17항에 있어서,
    상기 분석 모듈은 또한, 상기 복수의 시각적 요소들의 개별 시각적 요소들과 연관된 상기 계산된 확률 전체 중 최고의 확률을 가진 상기 특정 시각적 요소에 적어도 부분적으로 기초하여 상기 특정 시각적 요소를 식별하도록 구성되는 것인, 시스템.
  19. 제17항에 있어서,
    상기 분석 모듈은 또한,
    제1 프로세스에서 상기 어휘 특징들을 분류하고;
    제2 프로세스에서 상기 시선 특징들을 분류하고 - 상기 제2 프로세스의 적어도 일부는 상기 제1 프로세스가 완료된 시간 이후에 발생함 - ;
    상기 어휘 특징들을 분류하는 것 및 상기 시선 특징들을 분류하는 것에 적어도 부분적으로 기초하여,
    상기 특정 시각적 요소를 식별하기 위해 상기 복수의 시각적 요소들의 개별 시각적 요소들과 연관된 확률을 계산하고;
    상기 계산된 확률에 적어도 부분적으로 기초하여 상기 특정 시각적 요소를 식별하도록
    구성되는 것인, 시스템.
  20. 제14항에 있어서,
    상기 분석 모듈은 또한, 확률론적 모델에 기초하여 히트 맵과 상기 어휘적 유사성을 포함하는 특징들의 세트 중 적어도 하나에 이진 분류기를 적용하는 것에 적어도 부분적으로 기초하여 상기 복수의 시각적 요소들을 분류하도록 구성되는 것인, 시스템.
KR1020177010877A 2014-09-25 2015-09-25 다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선 KR102451660B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020227034256A KR102491846B1 (ko) 2014-09-25 2015-09-25 다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/496,538 US10317992B2 (en) 2014-09-25 2014-09-25 Eye gaze for spoken language understanding in multi-modal conversational interactions
US14/496,538 2014-09-25
PCT/US2015/052194 WO2016049439A1 (en) 2014-09-25 2015-09-25 Eye gaze for spoken language understanding in multi-modal conversational interactions

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020227034256A Division KR102491846B1 (ko) 2014-09-25 2015-09-25 다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선

Publications (2)

Publication Number Publication Date
KR20170065563A KR20170065563A (ko) 2017-06-13
KR102451660B1 true KR102451660B1 (ko) 2022-10-05

Family

ID=54291650

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020227034256A KR102491846B1 (ko) 2014-09-25 2015-09-25 다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선
KR1020177010877A KR102451660B1 (ko) 2014-09-25 2015-09-25 다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020227034256A KR102491846B1 (ko) 2014-09-25 2015-09-25 다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선

Country Status (11)

Country Link
US (2) US10317992B2 (ko)
EP (1) EP3198328B1 (ko)
JP (1) JP2017536600A (ko)
KR (2) KR102491846B1 (ko)
CN (1) CN107077201B (ko)
AU (1) AU2015320442A1 (ko)
BR (1) BR112017003636A2 (ko)
CA (1) CA2961279A1 (ko)
MX (1) MX2017003754A (ko)
RU (1) RU2017108533A (ko)
WO (1) WO2016049439A1 (ko)

Families Citing this family (194)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8677377B2 (en) 2005-09-08 2014-03-18 Apple Inc. Method and apparatus for building an intelligent automated assistant
US9318108B2 (en) 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8977255B2 (en) 2007-04-03 2015-03-10 Apple Inc. Method and system for operating a multi-function portable electronic device using voice-activation
US10002189B2 (en) 2007-12-20 2018-06-19 Apple Inc. Method and apparatus for searching using an active ontology
US9330720B2 (en) 2008-01-03 2016-05-03 Apple Inc. Methods and apparatus for altering audio output signals
US8996376B2 (en) 2008-04-05 2015-03-31 Apple Inc. Intelligent text-to-speech conversion
US20100030549A1 (en) 2008-07-31 2010-02-04 Lee Michael M Mobile device having human language translation capability with positional feedback
US8676904B2 (en) 2008-10-02 2014-03-18 Apple Inc. Electronic devices with voice command and contextual data processing capabilities
US10255566B2 (en) 2011-06-03 2019-04-09 Apple Inc. Generating and processing task items that represent tasks to perform
US10241644B2 (en) 2011-06-03 2019-03-26 Apple Inc. Actionable reminder entries
US10241752B2 (en) 2011-09-30 2019-03-26 Apple Inc. Interface for a virtual digital assistant
US10276170B2 (en) 2010-01-18 2019-04-30 Apple Inc. Intelligent automated assistant
US8682667B2 (en) 2010-02-25 2014-03-25 Apple Inc. User profiling for selecting user specific voice input processing information
US9262612B2 (en) 2011-03-21 2016-02-16 Apple Inc. Device access using voice authentication
US10057736B2 (en) 2011-06-03 2018-08-21 Apple Inc. Active transport based notifications
US10134385B2 (en) 2012-03-02 2018-11-20 Apple Inc. Systems and methods for name pronunciation
US10417037B2 (en) 2012-05-15 2019-09-17 Apple Inc. Systems and methods for integrating third party services with a digital assistant
US9721563B2 (en) 2012-06-08 2017-08-01 Apple Inc. Name recognition system
US9547647B2 (en) 2012-09-19 2017-01-17 Apple Inc. Voice-based media searching
DE112014000709B4 (de) 2013-02-07 2021-12-30 Apple Inc. Verfahren und vorrichtung zum betrieb eines sprachtriggers für einen digitalen assistenten
US10652394B2 (en) 2013-03-14 2020-05-12 Apple Inc. System and method for processing voicemail
US10748529B1 (en) 2013-03-15 2020-08-18 Apple Inc. Voice activated device for use with a voice-based digital assistant
WO2014197334A2 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for user-specified pronunciation of words for speech synthesis and recognition
WO2014197335A1 (en) 2013-06-08 2014-12-11 Apple Inc. Interpreting and acting upon commands that involve sharing information with remote devices
US10176167B2 (en) 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
EP3937002A1 (en) 2013-06-09 2022-01-12 Apple Inc. Device, method, and graphical user interface for enabling conversation persistence across two or more instances of a digital assistant
DE112014003653B4 (de) 2013-08-06 2024-04-18 Apple Inc. Automatisch aktivierende intelligente Antworten auf der Grundlage von Aktivitäten von entfernt angeordneten Vorrichtungen
US10296160B2 (en) 2013-12-06 2019-05-21 Apple Inc. Method for extracting salient dialog usage from live data
US9412363B2 (en) 2014-03-03 2016-08-09 Microsoft Technology Licensing, Llc Model based approach for on-screen item selection and disambiguation
TWI566107B (zh) 2014-05-30 2017-01-11 蘋果公司 用於處理多部分語音命令之方法、非暫時性電腦可讀儲存媒體及電子裝置
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US9430463B2 (en) 2014-05-30 2016-08-30 Apple Inc. Exemplar-based natural language processing
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US9633004B2 (en) 2014-05-30 2017-04-25 Apple Inc. Better resolution when referencing to concepts
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
US9818400B2 (en) 2014-09-11 2017-11-14 Apple Inc. Method and apparatus for discovering trending terms in speech requests
US10317992B2 (en) * 2014-09-25 2019-06-11 Microsoft Technology Licensing, Llc Eye gaze for spoken language understanding in multi-modal conversational interactions
US10127911B2 (en) 2014-09-30 2018-11-13 Apple Inc. Speaker identification and unsupervised speaker adaptation techniques
US9668121B2 (en) 2014-09-30 2017-05-30 Apple Inc. Social reminders
US10074360B2 (en) 2014-09-30 2018-09-11 Apple Inc. Providing an indication of the suitability of speech recognition
US10152299B2 (en) 2015-03-06 2018-12-11 Apple Inc. Reducing response latency of intelligent automated assistants
US9721566B2 (en) 2015-03-08 2017-08-01 Apple Inc. Competing devices responding to voice triggers
US9886953B2 (en) * 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
US10567477B2 (en) 2015-03-08 2020-02-18 Apple Inc. Virtual assistant continuity
US10460227B2 (en) 2015-05-15 2019-10-29 Apple Inc. Virtual assistant in a communication session
US10200824B2 (en) 2015-05-27 2019-02-05 Apple Inc. Systems and methods for proactively identifying and surfacing relevant content on a touch-sensitive device
US10083688B2 (en) 2015-05-27 2018-09-25 Apple Inc. Device voice control for selecting a displayed affordance
US9578173B2 (en) 2015-06-05 2017-02-21 Apple Inc. Virtual assistant aided communication with 3rd party service in a communication session
US11025565B2 (en) 2015-06-07 2021-06-01 Apple Inc. Personalized prediction of responses for instant messaging
US20160378747A1 (en) 2015-06-29 2016-12-29 Apple Inc. Virtual assistant for media playback
US10740384B2 (en) 2015-09-08 2020-08-11 Apple Inc. Intelligent automated assistant for media search and playback
US10671428B2 (en) 2015-09-08 2020-06-02 Apple Inc. Distributed personal assistant
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US10331312B2 (en) 2015-09-08 2019-06-25 Apple Inc. Intelligent automated assistant in a media environment
US10366158B2 (en) 2015-09-29 2019-07-30 Apple Inc. Efficient word encoding for recurrent neural network language models
US11010550B2 (en) 2015-09-29 2021-05-18 Apple Inc. Unified language modeling framework for word prediction, auto-completion and auto-correction
US11587559B2 (en) 2015-09-30 2023-02-21 Apple Inc. Intelligent device identification
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
US10956666B2 (en) 2015-11-09 2021-03-23 Apple Inc. Unconventional virtual assistant interactions
US10049668B2 (en) 2015-12-02 2018-08-14 Apple Inc. Applying neural network language models to weighted finite state transducers for automatic speech recognition
US9886958B2 (en) 2015-12-11 2018-02-06 Microsoft Technology Licensing, Llc Language and domain independent model based approach for on-screen item selection
US10223066B2 (en) 2015-12-23 2019-03-05 Apple Inc. Proactive assistance based on dialog communication between devices
US10446143B2 (en) 2016-03-14 2019-10-15 Apple Inc. Identification of voice inputs providing credentials
US9978367B2 (en) * 2016-03-16 2018-05-22 Google Llc Determining dialog states for language models
EP3457297A4 (en) * 2016-05-12 2019-08-14 Sony Corporation INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, AND PROGRAM
US9934775B2 (en) 2016-05-26 2018-04-03 Apple Inc. Unit-selection text-to-speech synthesis based on predicted concatenation parameters
US9972304B2 (en) 2016-06-03 2018-05-15 Apple Inc. Privacy preserving distributed evaluation framework for embedded personalized systems
US10249300B2 (en) 2016-06-06 2019-04-02 Apple Inc. Intelligent list reading
US11227589B2 (en) 2016-06-06 2022-01-18 Apple Inc. Intelligent list reading
US10049663B2 (en) 2016-06-08 2018-08-14 Apple, Inc. Intelligent automated assistant for media exploration
DK179588B1 (en) 2016-06-09 2019-02-22 Apple Inc. INTELLIGENT AUTOMATED ASSISTANT IN A HOME ENVIRONMENT
US10067938B2 (en) 2016-06-10 2018-09-04 Apple Inc. Multilingual word prediction
US10192552B2 (en) 2016-06-10 2019-01-29 Apple Inc. Digital assistant providing whispered speech
US10586535B2 (en) 2016-06-10 2020-03-10 Apple Inc. Intelligent digital assistant in a multi-tasking environment
US10490187B2 (en) 2016-06-10 2019-11-26 Apple Inc. Digital assistant providing automated status report
US10509862B2 (en) 2016-06-10 2019-12-17 Apple Inc. Dynamic phrase expansion of language input
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
DK179415B1 (en) 2016-06-11 2018-06-14 Apple Inc Intelligent device arbitration and control
DK179343B1 (en) 2016-06-11 2018-05-14 Apple Inc Intelligent task discovery
DK179049B1 (en) 2016-06-11 2017-09-18 Apple Inc Data driven natural language event detection and classification
US10854190B1 (en) * 2016-06-13 2020-12-01 United Services Automobile Association (Usaa) Transcription analysis platform
US10474753B2 (en) 2016-09-07 2019-11-12 Apple Inc. Language identification using recurrent neural networks
DK179471B1 (en) 2016-09-23 2018-11-26 Apple Inc. IMAGE DATA FOR ENHANCED USER INTERACTIONS
US10043516B2 (en) 2016-09-23 2018-08-07 Apple Inc. Intelligent automated assistant
US10976998B2 (en) 2016-09-23 2021-04-13 Sony Corporation Information processing apparatus and information processing method for controlling a response to speech
US11281993B2 (en) 2016-12-05 2022-03-22 Apple Inc. Model and ensemble compression for metric learning
KR20180071092A (ko) * 2016-12-19 2018-06-27 삼성전자주식회사 사용자의 시선 및 입력에 기반하여 제어되는 전자 장치, 모바일 전자 장치 및 디스플레이 장치
US10593346B2 (en) 2016-12-22 2020-03-17 Apple Inc. Rank-reduced token representation for automatic speech recognition
US10229680B1 (en) * 2016-12-29 2019-03-12 Amazon Technologies, Inc. Contextual entity resolution
US11204787B2 (en) 2017-01-09 2021-12-21 Apple Inc. Application integration with a digital assistant
JP7107228B2 (ja) * 2017-01-18 2022-07-27 ソニーグループ株式会社 情報処理装置および情報処理方法、並びにプログラム
DE102017108194A1 (de) * 2017-04-18 2018-10-18 Vorwerk & Co. Interholding Gmbh Verfahren zum Betrieb eines sich selbsttätig fortbewegenden Fahrzeugs
WO2018205083A1 (zh) * 2017-05-08 2018-11-15 深圳前海达闼云端智能科技有限公司 机器人唤醒方法、装置和机器人
DK201770383A1 (en) 2017-05-09 2018-12-14 Apple Inc. USER INTERFACE FOR CORRECTING RECOGNITION ERRORS
US10417266B2 (en) 2017-05-09 2019-09-17 Apple Inc. Context-aware ranking of intelligent response suggestions
US10726832B2 (en) 2017-05-11 2020-07-28 Apple Inc. Maintaining privacy of personal information
DK201770439A1 (en) 2017-05-11 2018-12-13 Apple Inc. Offline personal assistant
DK180048B1 (en) 2017-05-11 2020-02-04 Apple Inc. MAINTAINING THE DATA PROTECTION OF PERSONAL INFORMATION
US10395654B2 (en) 2017-05-11 2019-08-27 Apple Inc. Text normalization based on a data-driven learning network
DK179745B1 (en) 2017-05-12 2019-05-01 Apple Inc. SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT
US11301477B2 (en) 2017-05-12 2022-04-12 Apple Inc. Feedback analysis of a digital assistant
DK201770428A1 (en) 2017-05-12 2019-02-18 Apple Inc. LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT
DK179496B1 (en) 2017-05-12 2019-01-15 Apple Inc. USER-SPECIFIC Acoustic Models
DK201770432A1 (en) 2017-05-15 2018-12-21 Apple Inc. Hierarchical belief states for digital assistants
DK201770431A1 (en) 2017-05-15 2018-12-20 Apple Inc. Optimizing dialogue policy decisions for digital assistants using implicit feedback
DK201770411A1 (en) 2017-05-15 2018-12-20 Apple Inc. MULTI-MODAL INTERFACES
US10311144B2 (en) 2017-05-16 2019-06-04 Apple Inc. Emoji word sense disambiguation
DK179560B1 (en) 2017-05-16 2019-02-18 Apple Inc. FAR-FIELD EXTENSION FOR DIGITAL ASSISTANT SERVICES
US10403278B2 (en) 2017-05-16 2019-09-03 Apple Inc. Methods and systems for phonetic matching in digital assistant services
KR102439054B1 (ko) 2017-05-16 2022-09-02 애플 인크. 이모지 레코딩 및 전송
US20180336892A1 (en) 2017-05-16 2018-11-22 Apple Inc. Detecting a trigger of a digital assistant
US20180336275A1 (en) 2017-05-16 2018-11-22 Apple Inc. Intelligent automated assistant for media exploration
US11221823B2 (en) 2017-05-22 2022-01-11 Samsung Electronics Co., Ltd. System and method for context-based interaction for electronic devices
US10657328B2 (en) 2017-06-02 2020-05-19 Apple Inc. Multi-task recurrent neural network architecture for efficient morphology handling in neural language modeling
US10366691B2 (en) * 2017-07-11 2019-07-30 Samsung Electronics Co., Ltd. System and method for voice command context
US9961204B1 (en) * 2017-08-21 2018-05-01 Avaya Inc. Monitoring agent oversight of artificial intelligence content in a contact center
US10515625B1 (en) 2017-08-31 2019-12-24 Amazon Technologies, Inc. Multi-modal natural language processing
US10537244B1 (en) * 2017-09-05 2020-01-21 Amazon Technologies, Inc. Using eye tracking to label computer vision datasets
US10445429B2 (en) 2017-09-21 2019-10-15 Apple Inc. Natural language understanding using vocabularies with compressed serialized tries
US10755051B2 (en) 2017-09-29 2020-08-25 Apple Inc. Rule-based natural language processing
US10636424B2 (en) 2017-11-30 2020-04-28 Apple Inc. Multi-turn canned dialog
US10733982B2 (en) 2018-01-08 2020-08-04 Apple Inc. Multi-directional dialog
US10733375B2 (en) 2018-01-31 2020-08-04 Apple Inc. Knowledge-based framework for improving natural language understanding
US10789959B2 (en) 2018-03-02 2020-09-29 Apple Inc. Training speaker recognition models for digital assistants
US10592604B2 (en) 2018-03-12 2020-03-17 Apple Inc. Inverse text normalization for automatic speech recognition
US10818288B2 (en) 2018-03-26 2020-10-27 Apple Inc. Natural assistant interaction
US10909331B2 (en) 2018-03-30 2021-02-02 Apple Inc. Implicit identification of translation payload with neural machine translation
US11145294B2 (en) 2018-05-07 2021-10-12 Apple Inc. Intelligent automated assistant for delivering content from user experiences
US12033296B2 (en) 2018-05-07 2024-07-09 Apple Inc. Avatar creation user interface
CN112868060B (zh) * 2018-05-07 2024-07-12 谷歌有限责任公司 用户、自动化助理和其它计算服务之间的多模态交互
US10928918B2 (en) 2018-05-07 2021-02-23 Apple Inc. Raise to speak
US10984780B2 (en) 2018-05-21 2021-04-20 Apple Inc. Global semantic word embeddings using bi-directional recurrent neural networks
DK180639B1 (en) 2018-06-01 2021-11-04 Apple Inc DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT
US11386266B2 (en) 2018-06-01 2022-07-12 Apple Inc. Text correction
US10892996B2 (en) 2018-06-01 2021-01-12 Apple Inc. Variable latency device coordination
DK201870355A1 (en) 2018-06-01 2019-12-16 Apple Inc. VIRTUAL ASSISTANT OPERATION IN MULTI-DEVICE ENVIRONMENTS
DK179822B1 (da) 2018-06-01 2019-07-12 Apple Inc. Voice interaction at a primary device to access call functionality of a companion device
US11170085B2 (en) 2018-06-03 2021-11-09 Apple Inc. Implementation of biometric authentication
US11076039B2 (en) 2018-06-03 2021-07-27 Apple Inc. Accelerated task performance
US20190386840A1 (en) * 2018-06-18 2019-12-19 Cisco Technology, Inc. Collaboration systems with automatic command implementation capabilities
KR101996039B1 (ko) * 2018-09-27 2019-07-03 국립공주병원 얼굴 표정 인식을 위한 훈련 템플릿 구축 장치 및 그 방법
US11010561B2 (en) 2018-09-27 2021-05-18 Apple Inc. Sentiment prediction from textual data
WO2020062392A1 (zh) 2018-09-28 2020-04-02 上海寒武纪信息科技有限公司 信号处理装置、信号处理方法及相关产品
US11462215B2 (en) 2018-09-28 2022-10-04 Apple Inc. Multi-modal inputs for voice commands
US10860096B2 (en) * 2018-09-28 2020-12-08 Apple Inc. Device control using gaze information
US10839159B2 (en) 2018-09-28 2020-11-17 Apple Inc. Named entity normalization in a spoken dialog system
US11170166B2 (en) 2018-09-28 2021-11-09 Apple Inc. Neural typographical error modeling via generative adversarial networks
US11475898B2 (en) 2018-10-26 2022-10-18 Apple Inc. Low-latency multi-speaker speech recognition
KR102669100B1 (ko) * 2018-11-02 2024-05-27 삼성전자주식회사 전자 장치 및 그 제어 방법
JP7405093B2 (ja) * 2018-11-20 2023-12-26 ソニーグループ株式会社 情報処理装置および情報処理方法
US11417236B2 (en) * 2018-12-28 2022-08-16 Intel Corporation Real-time language learning within a smart space
US11638059B2 (en) 2019-01-04 2023-04-25 Apple Inc. Content playback on multiple devices
US11455982B2 (en) * 2019-01-07 2022-09-27 Cerence Operating Company Contextual utterance resolution in multimodal systems
US11183185B2 (en) * 2019-01-09 2021-11-23 Microsoft Technology Licensing, Llc Time-based visual targeting for voice commands
US11322136B2 (en) * 2019-01-09 2022-05-03 Samsung Electronics Co., Ltd. System and method for multi-spoken language detection
US11348573B2 (en) 2019-03-18 2022-05-31 Apple Inc. Multimodality in digital assistant systems
US11307752B2 (en) 2019-05-06 2022-04-19 Apple Inc. User configurable task triggers
US11475884B2 (en) 2019-05-06 2022-10-18 Apple Inc. Reducing digital assistant latency when a language is incorrectly determined
DK201970509A1 (en) 2019-05-06 2021-01-15 Apple Inc Spoken notifications
US11423908B2 (en) 2019-05-06 2022-08-23 Apple Inc. Interpreting spoken requests
US10969863B2 (en) * 2019-05-08 2021-04-06 International Business Machines Corporation Configurable sensor array for a multi-target environment
US11140099B2 (en) 2019-05-21 2021-10-05 Apple Inc. Providing message response suggestions
TWI716885B (zh) * 2019-05-27 2021-01-21 陳筱涵 即時外語溝通系統
US11496600B2 (en) 2019-05-31 2022-11-08 Apple Inc. Remote execution of machine-learned models
US11289073B2 (en) 2019-05-31 2022-03-29 Apple Inc. Device text to speech
DK180129B1 (en) 2019-05-31 2020-06-02 Apple Inc. USER ACTIVITY SHORTCUT SUGGESTIONS
DK201970510A1 (en) 2019-05-31 2021-02-11 Apple Inc Voice identification in digital assistant systems
US11468890B2 (en) 2019-06-01 2022-10-11 Apple Inc. Methods and user interfaces for voice-based control of electronic devices
US11360641B2 (en) 2019-06-01 2022-06-14 Apple Inc. Increasing the relevance of new available information
JP7346135B2 (ja) * 2019-07-30 2023-09-19 キヤノン株式会社 電子機器、電子機器の制御方法、プログラムおよび記憶媒体
JP2021033746A (ja) * 2019-08-27 2021-03-01 アルパイン株式会社 サービス提供装置、サービス提供システム、及びサービス提供方法
US11848000B2 (en) 2019-09-06 2023-12-19 Microsoft Technology Licensing, Llc Transcription revision interface for speech recognition system
US11488406B2 (en) 2019-09-25 2022-11-01 Apple Inc. Text detection using global geometry estimators
KR102375508B1 (ko) * 2020-03-16 2022-03-17 주식회사 한글과컴퓨터 문서 작성 프로그램에서 자주 사용되는 편집 명령에 대한 음성 인식을 가능하게 하는 전자 장치 및 그 동작 방법
KR20210133600A (ko) * 2020-04-29 2021-11-08 현대자동차주식회사 차량 음성 인식 방법 및 장치
US11061543B1 (en) 2020-05-11 2021-07-13 Apple Inc. Providing relevant data items based on context
US11038934B1 (en) 2020-05-11 2021-06-15 Apple Inc. Digital assistant hardware abstraction
US11490204B2 (en) 2020-07-20 2022-11-01 Apple Inc. Multi-device audio adjustment coordination
US11438683B2 (en) 2020-07-21 2022-09-06 Apple Inc. User identification using headphones
US11996095B2 (en) * 2020-08-12 2024-05-28 Kyndryl, Inc. Augmented reality enabled command management
WO2022076019A1 (en) 2020-10-09 2022-04-14 Google Llc Text layout interpretation using eye gaze data
EP4264460A1 (en) 2021-01-25 2023-10-25 Apple Inc. Implementation of biometric authentication
US11955137B2 (en) * 2021-03-11 2024-04-09 Apple Inc. Continuous dialog with a digital assistant
US11756574B2 (en) * 2021-03-11 2023-09-12 Apple Inc. Multiple state digital assistant for continuous dialog
US11688106B2 (en) * 2021-03-29 2023-06-27 International Business Machines Corporation Graphical adjustment recommendations for vocalization
US20220374109A1 (en) * 2021-05-14 2022-11-24 Apple Inc. User input interpretation using display representations
US11960790B2 (en) 2021-05-27 2024-04-16 Microsoft Technology Licensing, Llc Spatial attention model enhanced voice engagement system
US11681364B1 (en) * 2021-06-29 2023-06-20 Amazon Technologies, Inc. Gaze prediction
US11967335B2 (en) 2021-09-03 2024-04-23 Google Llc Foveated beamforming for augmented reality devices and wearables
US20230081605A1 (en) * 2021-09-16 2023-03-16 Apple Inc. Digital assistant for moving and copying graphical elements
WO2023043877A1 (en) * 2021-09-16 2023-03-23 Apple Inc. Digital assistant for moving and copying graphical elements
GB2616288A (en) * 2022-03-03 2023-09-06 Sony Interactive Entertainment Inc Gaze tracking system and method
US20240029726A1 (en) * 2022-07-21 2024-01-25 Sony Interactive Entertainment LLC Intent Identification for Dialogue Support
KR20240111137A (ko) * 2023-01-09 2024-07-16 삼성전자주식회사 멀티 윈도우 모드에서 포커싱 윈도우를 변경하기 위한 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100033333A1 (en) 2006-06-11 2010-02-11 Volva Technology Corp Method and apparatus for determining and analyzing a location of visual interest
US10317992B2 (en) 2014-09-25 2019-06-11 Microsoft Technology Licensing, Llc Eye gaze for spoken language understanding in multi-modal conversational interactions

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3361980B2 (ja) * 1997-12-12 2003-01-07 株式会社東芝 視線検出装置及びその方法
US6757718B1 (en) 1999-01-05 2004-06-29 Sri International Mobile navigation of network-based electronic information using spoken input
EP1250701B1 (de) 2000-01-27 2004-11-17 Siemens Aktiengesellschaft System und verfahren zur blickfokussierten sprachverarbeitung
US6795806B1 (en) 2000-09-20 2004-09-21 International Business Machines Corporation Method for enhancing dictation and command discrimination
US6964023B2 (en) 2001-02-05 2005-11-08 International Business Machines Corporation System and method for multi-modal focus detection, referential ambiguity resolution and mood classification using multi-modal input
US7398209B2 (en) 2002-06-03 2008-07-08 Voicebox Technologies, Inc. Systems and methods for responding to natural language speech utterance
US7881493B1 (en) 2003-04-11 2011-02-01 Eyetools, Inc. Methods and apparatuses for use of eye interpretation information
US20120253823A1 (en) * 2004-09-10 2012-10-04 Thomas Barton Schalk Hybrid Dialog Speech Recognition for In-Vehicle Automated Interaction and In-Vehicle Interfaces Requiring Minimal Driver Processing
US7697827B2 (en) 2005-10-17 2010-04-13 Konicek Jeffrey C User-friendlier interfaces for a camera
US8467672B2 (en) 2005-10-17 2013-06-18 Jeffrey C. Konicek Voice recognition and gaze-tracking for a camera
US9250703B2 (en) 2006-03-06 2016-02-02 Sony Computer Entertainment Inc. Interface with gaze detection and voice input
US8793620B2 (en) 2011-04-21 2014-07-29 Sony Computer Entertainment Inc. Gaze-assisted computer interface
US7770136B2 (en) 2007-01-24 2010-08-03 Microsoft Corporation Gesture recognition interactive feedback
US8676904B2 (en) 2008-10-02 2014-03-18 Apple Inc. Electronic devices with voice command and contextual data processing capabilities
US10540976B2 (en) 2009-06-05 2020-01-21 Apple Inc. Contextual voice commands
KR101597289B1 (ko) 2009-07-31 2016-03-08 삼성전자주식회사 동적 화면에 따라 음성을 인식하는 장치 및 방법
US8487959B1 (en) * 2010-08-06 2013-07-16 Google Inc. Generating simulated eye movement traces for visual displays
US8700392B1 (en) 2010-09-10 2014-04-15 Amazon Technologies, Inc. Speech-inclusive device interfaces
US20120110456A1 (en) * 2010-11-01 2012-05-03 Microsoft Corporation Integrated voice command modal user interface
AU2010257454B2 (en) * 2010-12-24 2014-03-06 Canon Kabushiki Kaisha Summary view of video objects sharing common attributes
US8560321B1 (en) 2011-01-05 2013-10-15 Interactions Corportion Automated speech recognition system for natural language understanding
US20140099623A1 (en) * 2012-10-04 2014-04-10 Karmarkar V. Amit Social graphs based on user bioresponse data
US10642934B2 (en) 2011-03-31 2020-05-05 Microsoft Technology Licensing, Llc Augmented conversational understanding architecture
US9760566B2 (en) 2011-03-31 2017-09-12 Microsoft Technology Licensing, Llc Augmented conversational understanding agent to identify conversation context between two humans and taking an agent action thereof
US20120259638A1 (en) 2011-04-08 2012-10-11 Sony Computer Entertainment Inc. Apparatus and method for determining relevance of input speech
US20130030811A1 (en) * 2011-07-29 2013-01-31 Panasonic Corporation Natural query interface for connected car
WO2013033842A1 (en) 2011-09-07 2013-03-14 Tandemlaunch Technologies Inc. System and method for using eye gaze information to enhance interactions
US9024844B2 (en) 2012-01-25 2015-05-05 Microsoft Technology Licensing, Llc Recognition of image on external display
US9423870B2 (en) 2012-05-08 2016-08-23 Google Inc. Input determination method
US9823742B2 (en) * 2012-05-18 2017-11-21 Microsoft Technology Licensing, Llc Interaction and management of devices using gaze detection
US20130346085A1 (en) 2012-06-23 2013-12-26 Zoltan Stekkelpak Mouth click sound based computer-human interaction method, system and apparatus
CN103885743A (zh) 2012-12-24 2014-06-25 大陆汽车投资（上海）有限公司 结合注视跟踪技术的语音文本输入方法和系统
US8571851B1 (en) 2012-12-31 2013-10-29 Google Inc. Semantic interpretation using user gaze order
KR20140132246A (ko) * 2013-05-07 2014-11-17 삼성전자주식회사 오브젝트 선택 방법 및 오브젝트 선택 장치
CN103605208B (zh) 2013-08-30 2016-09-28 北京智谷睿拓技术服务有限公司 内容投射系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100033333A1 (en) 2006-06-11 2010-02-11 Volva Technology Corp Method and apparatus for determining and analyzing a location of visual interest
US10317992B2 (en) 2014-09-25 2019-06-11 Microsoft Technology Licensing, Llc Eye gaze for spoken language understanding in multi-modal conversational interactions

Also Published As

Publication number Publication date
MX2017003754A (es) 2017-06-29
KR102491846B1 (ko) 2023-01-26
EP3198328A1 (en) 2017-08-02
JP2017536600A (ja) 2017-12-07
US20190391640A1 (en) 2019-12-26
US10901500B2 (en) 2021-01-26
AU2015320442A1 (en) 2017-03-16
RU2017108533A (ru) 2018-09-17
CA2961279A1 (en) 2016-03-31
BR112017003636A2 (pt) 2017-11-28
CN107077201A (zh) 2017-08-18
US20160091967A1 (en) 2016-03-31
US10317992B2 (en) 2019-06-11
CN107077201B (zh) 2020-06-23
EP3198328B1 (en) 2019-11-06
KR20220137810A (ko) 2022-10-12
KR20170065563A (ko) 2017-06-13
WO2016049439A1 (en) 2016-03-31

Similar Documents

Publication Publication Date Title
KR102451660B1 (ko) 다중 모드 대화 상호 작용에서 음성 언어 이해를 위한 눈 시선
US11526713B2 (en) Embedding human labeler influences in machine learning interfaces in computing environments
US10664060B2 (en) Multimodal input-based interaction method and device
US10824916B2 (en) Weakly supervised learning for classifying images
US11967315B2 (en) System and method for multi-spoken language detection
US8571851B1 (en) Semantic interpretation using user gaze order
CN114365120A (zh) 减少的训练意图识别技术
KR20200063346A (ko) 발화의 음성 데이터를 처리하는 방법 및 장치
US20160224591A1 (en) Method and Device for Searching for Image
US10789952B2 (en) Voice command execution from auxiliary input
US10741175B2 (en) Systems and methods for natural language understanding using sensor input
KR102393147B1 (ko) 향상된 음성 인식을 돕기 위한 시각적 컨텐츠의 변형
CN112806022A (zh) 电子装置和用于控制该电子装置的方法
US10048842B2 (en) Selection biasing
Misu et al. Situated multi-modal dialog system in vehicles
US20230040181A1 (en) System and method for improving named entity recognition
US20240346820A1 (en) Generation of comments corresponding to videos
Vidakis et al. Multimodal desktop interaction: The face-object-gesture-voice example
CN116311271B (zh) 文本图像的处理方法及装置
US20230419958A1 (en) Personalized multi-modal spoken language identification

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant